К содержимому
Другое

uitag-yolo11s-ui-detect-v1

детектор элементов интерфейса для десктопных скриншотов

2 мин чтенияобновлено

Компактная модель компьютерного зрения от автора swaynehales, которая находит кнопки, меню, поля ввода и другие элементы управления на скриншотах. Она создана на базе YOLO11s (облегчённая версия детектора объектов от Ultralytics) и входит в состав инструмента uitag (начиная с версии v0.5.0), где закрывает пробелы Apple Vision при распознавании иконок и контролов. В отличие от универсальных детекторов, эта модель обучена специально на десктопных интерфейсах Windows, macOS и Linux из датасета GroundCUA и весит всего около 19 МБ. Пригодится разработчикам Computer Use-агентов (ИИ, управляющих компьютером), утилит доступности и систем парсинга экранов.

Ключевые особенности

  • Распознаёт 9 базовых категорий элементов: Button, Menu, Input_Elements, Navigation, Information_Display, Sidebar, Visual_Elements, Others и Unknown.
  • Обучена на 223 826 тайлах размером 640×640 пикселей из датасета GroundCUA, охватывающего 87 десктопных платформ.
  • Быстро работает даже на CPU и легко подключается через стандартную библиотеку ultralytics.
  • Для скриншотов полного разрешения автор рекомендует нарезать картинку на тайлы 640×640 с перекрытием 20 % и объединять результаты через cross-tile NMS (алгоритм подавления дублирующихся рамок).

Что можно сделать

  • Встроить в пайплайн Computer Use-агента для быстрого поиска координат кнопок, меню и полей ввода до передачи контекста в VLM.
  • Использовать в инструментах экранного доступа (accessibility) и автотестирования десктопных приложений на Windows, macOS и Linux.
  • Объединить с системными парсерами вроде Apple Vision, чтобы находить мелкие иконки и нестандартные контролы (в связке с Vision покрытие на ScreenSpot-Pro достигает 90,8 %).

Пример

from ultralytics import YOLO
model = YOLO("uitag-yolo11s-ui-detect-v1.pt")
results = model.predict("example.png", imgsz=640, conf=0.25, device="cpu", verbose=False)
for box in results[0].boxes:
    print(model.names[int(box.cls)], round(float(box.conf), 3), [round(v) for v in box.xyxy[0].tolist()])
ПодробнееМетрики на валидации GroundCUA (24 687 тайлов, 100 эпох): mAP@0.5 — 0.792, mAP@0.5:0.95 — 0.540, Precision — 0.741, Recall — 0.745.
Обучение: 100 эпох на 2× H100 PCIe 80 GB (19,75 часа), ultralytics 8.4.30.
Ограничения: не распознаёт текст (не OCR), классы грубые и могут содержать шум разметки GroundCUA; мобильные и веб-интерфейсы не тестировались.
Лицензия: AGPL-3.0 (унаследована от весов Ultralytics YOLO11s).
Обсудить Telegram 0 6

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.

    # swaynehales/uitag-yolo11s-ui-detect-v1
    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 swaynehales/uitag-yolo11s-ui-detect-v1 --local-dir ~/models/uitag-yolo11s-ui-detect-v1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к uitag-yolo11s-ui-detect-v1
  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

swaynehales/uitag-yolo11s-ui-detect-v1
Автор
swaynehales
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

60

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии