К содержимому
Другое

yolo11x-car-plate-detection

детекторы машин и автомобильных номеров на базе YOLO

2 мин чтенияобновлено

В репозитории выложены два дообученных чекпоинта для задачи object-detection (поиск и локализация объектов на изображении): один находит номерные знаки, другой — сами автомобили. Детектор номеров yolo11x_plate-detect.pt (эксперимент Plate v7) основан на предобученной модели morsetechlab/yolov11-license-plate-detection и дообучен на объединённых датасетах из Roboflow, а детектор машин yolo26x_car-detect.pt (Vehicle v1) построен на базе Ultralytics YOLO26x и обучался на дорожных снимках AIHub. По сравнению с исходным детектором номеров дообученная версия лучше справляется со сложными условиями за счёт искусственного ухудшения качества картинок при обучении. Модели пригодятся разработчикам систем видеонаблюдения, парковочных комплексов и пайплайнов анонимизации дорожных видео.

Ключевые особенности

  • Два специализированных чекпоинта в одном пакете: yolo11x_plate-detect.pt для номерных знаков и yolo26x_car-detect.pt для транспортных средств.
  • Устойчивость к плохому качеству кадров: Plate v7 обучали с аугментациями размытия, шума, сжатия, изменения освещения и циклов уменьшения/увеличения разрешения.
  • Высокая полнота (Recall) у детектора машин: модель Vehicle v1 специально настраивали так, чтобы пропускать минимум автомобилей в кадре.
  • Готовность к запуску через стандартную библиотеку ultralytics без написания собственной архитектуры.

Что можно сделать

  • Автоматически размывать или скрывать автомобильные номера на фотографиях и записях с видеорегистраторов перед публикацией.
  • Собирать пайплайны распознавания номеров (ANPR/LPR): сначала находить машину через yolo26x_car-detect.pt, затем вырезать область номера через yolo11x_plate-detect.pt и передавать её в OCR-модель.
  • Подсчитывать трафик и контролировать въезд транспорта на парковках или закрытых территориях с помощью скриптов на Python и ultralytics.

Пример

from ultralytics import YOLO

model = YOLO("models/yolo11x_plate-detect.pt")
results = model.predict("your_vehicle_image.jpg", imgsz=1008, conf=0.1)
for result in results:
    print(result.boxes.xyxy, result.boxes.conf)
ПодробнееМетрики (IoU >= 0.5): у Plate v7 на 13 053 снимках Roboflow Precision — 0.9725, Recall — 0.9900, F1 — 0.9812 (против 0.9114 / 0.9531 / 0.9318 у базовой модели).
У Vehicle v1 на 736 761 кадре AIHub dataset 195 Precision — 0.4444, Recall — 0.9731, F1 — 0.6101.
Параметры обучения Plate v7: до 120 эпох, размер изображения 1024, batch size 16, оптимизатор AdamW с learning rate 0.0001.
Ограничения: автор предупреждает о возможном пересечении обучающих и тестовых данных в исходном чекпоинте morsetechlab и отсутствии единой лицензии на весь репозиторий (исходные компоненты используют AGPL-3.0 и CC BY 4.0).
Обсудить Telegram 0 39

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # yojun313/yolo11x-car-plate-detection
    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 yojun313/yolo11x-car-plate-detection --local-dir ~/models/yolo11x-car-plate-detection
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к yolo11x-car-plate-detection
  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 yolov11-license-plate-detection — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

yojun313/yolo11x-car-plate-detection
Автор
yojun313
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

390

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии