Views
No views yet
| Champ | SegN | SegX |
|---|---|---|
| Nom du modèle | Yolo-Seg-TextRegion-TextLine-Typed-SegN.pt | Yolo-Seg-TextRegion-TextLine-Typed-SegX.pt |
| Librairie | Ultralytics YOLOv8.4.49 | Ultralytics YOLOv8.4.49 |
| Type | Segmentation d’instances | Segmentation d’instances |
| Architecture | YOLOv26n (nano) | YOLOv26x (extra-large) |
| Taille des poids | ~6.6 Mo | ~141 Mo |
| Résolution d’entrée | 640x640 (par défaut) | 640x640 (par défaut) |
| Classes | 2 (TextRegion, TextLine) | 2 (TextRegion, TextLine) |
| Framework | PyTorch ≥ 2.0 | PyTorch ≥ 2.0 |
| Licence | CC-Zero | CC-Zero |
| Métrique | Valeur SegN | Valeur SegX |
|---|---|---|
| mAP50-95 (val) | 73.62% | 76.97% |
| mAP50 (val) | 94.37% | 95.30% |
| Précision (P) | 0.930 | 0.95383 |
| Rappel (R) | 0.912 | 0.93317 |
| F1-Score | 0.921 | 0.943 |
.txt avec masques de segmentation).
pip install ultralytics==8.4.49 torch torchvision1from ultralytics import YOLO
2
3# Charger le modèle
4model = YOLO("Yolo-Seg-TextRegion-TextLine-Typed-SegX.pt")
5
6# Prédiction sur une image
7results = model.predict("document.jpg", conf=0.5, show=True)
8
9# Accéder aux masques de segmentation
10for result in results:
11 masks = result.masks.data # Tensor des masques
12 boxes = result.boxes.data # Boîtes englobantes
13