К содержимому
Другое

pixeltree-detector

детектор элементов интерфейса для GUI-агентов

2 мин чтенияобновлено

Компактная модель весом всего 19 МБ, которая находит на скриншотах десктопных программ и веб-страниц видимые элементы интерфейса и присваивает им одну из 16 ролей (кнопка, вкладка, текстовое поле, чекбокс и т. д.). Детектор построен на базе архитектуры Ultralytics YOLO11s и выпущен как исследовательский релиз от автора sentimentalk (Xinghan Xu). В связке с OCR (распознаванием текста) из репозитория pixeltree модель превращает картинку экрана в структурированный текстовый список с координатами — «дерево элементов», которое могут читать ИИ-агенты вместо тяжеловесных VLM. Инструмент пригодится разработчикам автономных компьютерных агентов, систем парсинга интерфейсов и автотестирования.

Ключевые особенности

  • Распознаёт 16 классов UI-элементов, включая aria:button, aria:textbox, aria:tab, aria:checkbox, vax:visibleText и другие.
  • Высокая скорость работы: обработка одного кадра в разрешении 1280px занимает 44 мс на видеокарте RTX 2060 и 260 мс на ноутбучном CPU.
  • Обучена на 2 782 скриншотах Linux-приложений (GTK, Qt, Electron), веб-страниц и датасета GroundCUA с разметкой от Claude Opus и проверкой Claude Sonnet.
  • На тестовых наборах превосходит классический CV + OCR (0.623 F1) и детектор из OmniParser v2 (0.586 F1).

Что можно сделать

  • Использовать как лёгкий модуль восприятия экрана для GUI-агентов, чтобы передавать LLM компактный текстовый список координат вместо скриншотов.
  • Встроить в пайплайны автоматизации и тестирования интерфейсов в изолированных виртуальных средах.
  • Скомбинировать с OCR-модулем из библиотеки pixeltree для генерации готового текстового дерева элементов с центрами клика.

Пример

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

weights = hf_hub_download("sentimentalk/pixeltree-detector", "pixeltree-detector-v1.pt")
boxes = YOLO(weights).predict("screenshot.png", imgsz=1280, conf=0.25)[0].boxes
ПодробнееМетрики (class-agnostic F1 @0.25 / @0.45): 0.854 / 0.874 на незнакомых Linux-приложениях (strict F1 — 0.798), 0.787 / 0.813 на сайтах, 0.815 / 0.826 на gold-наборе Linux + macOS.
Железо и обучение: размер весов 19 МБ; обучение заняло ~21 минуту на одной A100 (40 эпох, imgsz 1280, batch 12).
Ограничения: модель выдаёт только рамки и роли без текста и состояний (не знает, отмечен ли чекбокс); хуже распознаёт прогресс-бары (strict F1 0.145) и слайдеры (0.528); обучена в основном на светлой теме Linux и веба (1920×1080), тёмная тема снижает F1 на 0.019.
Лицензия: AGPL-3.0; не предназначена для проверки доступности (accessibility) и бесконтрольного управления реальными ПК.
Обсудить Telegram 0 9

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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 · BF16 — 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.

    # sentimentalk/pixeltree-detector
    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 sentimentalk/pixeltree-detector --local-dir ~/models/pixeltree-detector
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к pixeltree-detector
  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

Дообучение модели

Ultralytics/YOLO11

Новые посты про версии YOLO11 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

sentimentalk/pixeltree-detector
Автор
sentimentalk
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

90

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии