File size: 2,263 Bytes
b1eace4 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 | # apex_enemy_detect
> [English version](README.md)
Модели YOLOv8 для обнаружения врагов на записях геймплея Apex Legends. Два варианта: nano (скорость) и medium (точность).
[Apex Enemy Detect Demo](https://github.com/PSImera/apex_enemy_detect_demo) — инструмент для анализа видео геймплея, обнаружения врагов и исправления растянутого разрешения.
## Модели
| | **YOLOv8n (nano)** | **YOLOv8m (medium)** |
|---|---|---|
| Файл | `apex_detect_v8n_v2.1.pt` | `apex_detect_v8m_v2.1.pt` |
| Параметры | ~3.2M | ~25.9M |
| Precision | 0.932 | 0.943 |
| Recall | 0.877 | 0.883 |
| mAP@50 | 0.930 | 0.938 |
| mAP@50-95 | 0.756 | 0.796 |
| Лучше для | Скорость / слабый GPU | Точность |
## Использование
```python
from ultralytics import YOLO
model = YOLO("apex_detect_v8m_v2.1.pt")
results = model.predict("frame.jpg", conf=0.35, iou=0.5, imgsz=640)
```
Или автоматически через приложение [Apex Enemy Detect Demo](https://github.com/PSImera/apex_enemy_detect_demo) — модели загружаются отсюда при первом запуске.
## Параметры обучения
| Параметр | Значение |
|---|---|
| Датасет | `apex_detect_v2_p1_converted` |
| Эпохи | 200 (patience 100) |
| Batch size | 16 |
| Image size | 640×640 |
| Оптимизатор | AdamW (lr=0.001) |
| Аугментации | HSV (S/V ±0.3), горизонтальный флип (p=0.5), random erasing (p=0.4) |
Дообучены на основе весов COCO от Ultralytics на кастомном датасете врагов Apex Legends.
## Кривые обучения
<table>
<tr><th>YOLOv8n (nano)</th><th>YOLOv8m (medium)</th></tr>
<tr>
<td><img src="run_v8n_v2.1/results.png"></td>
<td><img src="run_v8m_v2.1/results.png"></td>
</tr>
</table>
## Кривые Precision-Recall
<table>
<tr><th>YOLOv8n (nano)</th><th>YOLOv8m (medium)</th></tr>
<tr>
<td><img src="run_v8n_v2.1/BoxPR_curve.png"></td>
<td><img src="run_v8m_v2.1/BoxPR_curve.png"></td>
</tr>
</table>
|