keremberke/yolov5s-clash-of-clans

keremberke
Detección de objetos

Modelo de detección de objetos optimizado para imágenes del juego Clash of Clans. Utiliza la arquitectura YOLOv5 para proporcionar detección rápida y precisa de diferentes elementos dentro del juego. Ideal para aplicaciones que requieren análisis de imágenes en tiempo real.

Como usar

Cómo usar

Instala yolov5:

pip install -U yolov5

Carga el modelo y realiza predicciones:

import yolov5

# carga el modelo
model = yolov5.load('keremberke/yolov5s-clash-of-clans')

# configura los parámetros del modelo
model.conf = 0.25 # umbral de confianza NMS
model.iou = 0.45 # umbral IoU NMS
model.agnostic = False # NMS clase-agnóstica
model.multi_label = False # NMS múltiples etiquetas por caja
model.max_det = 1000 # número máximo de detecciones por imagen

# establece la imagen
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# realiza la inferencia
results = model(img, size=640)

# inferencia con aumento de tiempo de prueba
results = model(img, augment=True)

# analiza los resultados
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]

# muestra las cajas de detección en la imagen
results.show()

# guarda los resultados en la carpeta 'results/'
results.save(save_dir='results/')

Entrena el modelo en tu propio conjunto de datos:

yolov5 train --data data.yaml --img 640 --batch 16 --weights keremberke/yolov5s-clash-of-clans --epochs 10

Funcionalidades

Detección de objetos
Integración con TensorBoard
Implementación en PyTorch
Resultados de evaluación
Entrenamiento en dataset específico
Configuración customizable de parámetros NMS

Casos de uso

Detección de elementos del juego Clash of Clans
Análisis en tiempo real de imágenes de juegos
Automatización de análisis de imágenes en aplicaciones de juegos