К содержимому
Другое

MLBB Hero Vision

офлайн-распознавание героев Mobile Legends на турнирных трансляциях

2 мин чтенияобновлено

Компактная модель компьютерного зрения от автора sansaks для автоматического определения героев игры Mobile Legends: Bang Bang (MLBB) по обрезкам экрана с турнира — со стадий драфт-пика, банов или игрового интерфейса (HUD). В основе лежит архитектура ConvNeXt-Tiny, обученная методом дистилляции (переноса знаний от крупной модели к компактной) на эмбеддингах Google gemini-embedding-2. В отличие от обычных алгоритмов сравнения картинок, нейросеть устойчива к наложениям турнирного интерфейса: иконкам боевых заклинаний, флагам стран, никам игроков, цветным градиентам команд и сжатию стрима. Модель весит всего 114 МБ, работает полностью офлайн на обычном ноутбучном CPU без видеокарты и внешних API, выдавая название героя из 135 доступных классов или отметку пустого слота (EMPTY_OR_UNKNOWN).

Ключевые особенности

  • Обучение на симуляции турнирного HUD: при тренировке модель прогоняли через синтетические наложения с круговыми рамками банов, градиентами синей и красной команд, размытием и артефактами JPEG.
  • Полный охват ростера: распознаёт 135 героев (с учётом портретов, иконок, баннеров и скинов), а также определяет заблокированные или пустые ячейки драфта.
  • Высокая скорость на CPU: в формате FP32 ONNX обработка одного слота занимает ~48–66 мс на процессоре уровня AMD Ryzen 5 6600H без использования GPU.
  • Встроенный индекс поиска: вместе с весами поставляется база векторов (hero_student_db.npz на 1 725 эталонных изображений размером 768 измерений).

Что можно сделать

  • Автоматизировать сбор статистики турниров: парсить стадии пиков и банов со стримов MLBB в реальном времени для аналитических таблиц или трансляций.
  • Встроить в оверлеи и ботов: использовать в локальных приложениях для комментаторов, Discord-ботах или веб-инструментах без затрат на облачные API.

Пример

from mlbb_hero_vision import HeroVision

vision = HeroVision()  # автоматически скачивает веса
print(vision.predict("cropped_slot.png"))
ПодробнееТочность: 100% Top-1 на стресс-тестах с наложениями синей и красной команд (60/60) и на сложном турнирном наборе Kaggle (200 примеров); 89,68% уверенности на реальном кадре трансляции.
Формат и вес: hero_student.onnx (FP32, opset 17, 114,16 МБ) + индекс hero_student_db.npz (2,41 МБ).
Железо: инференс работает на CPU через onnxruntime (GPU не требуется); обучение проводилось на Kaggle Tesla T4 за 917,5 с (18 эпох).
Обсудить Telegram 0

Запустится ли?

Запустится в FP16

Влезает без сжатия.

  • FP16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · FP16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # sansaks/mlbb-hero-vision
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download sansaks/mlbb-hero-vision --local-dir ~/models/mlbb-hero-vision
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к mlbb-hero-vision
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии mlbb-hero-vision — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

sansaks/mlbb-hero-vision
Автор
sansaks
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии