Yolov8 Biolit Crop
Modèle entraîné dans le cadre du projet Biolit (Data for Good), pour la détection automatique d'espèces côtières sur des photos d'observations citoyennes. Utilisé pour la saison 14.
Source du modèle
- Type
- Other
- Taille du fichier
- 5,94–83,6 MB
- Modèle de base
- Ultralytics/yolov8s
- Version
- vRevision a10da5d
- Mis à jour
- 16 sept. 2026
- Téléchargements
- 0
- Source
- Hugging Face
Description de la source
YOLOv8s : Détection d'espèces côtières (Biolit)
Modèle entraîné dans le cadre du projet Biolit (Data for Good), pour la détection automatique d'espèces côtières sur des photos d'observations citoyennes. Utilisé pour la saison 14.
Modèle
- Architecture : YOLOv8s (Ultralytics)
- Tâche : détection d'objets (1 détection par image — l'espèce la plus confiante)
- Fichier :
runs/biolit_v2_yolo_finetuned/best.pt
Méthodologie
Données d'entraînement
Fine-tuné sur ~1 400 images annotées manuellement par un bénévole d l'équipe ML2 en saison, issues de la plateforme Biolit (observations côtières françaises).
→ Dataset : dataforgood/biolit-coastal-species-dataset-v2
Utilisation
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
model_path = hf_hub_download(
repo_id="DataForGood/yolov8_biolit_crop",
filename="runs/finetune-yolo-after-dyno-V2/best.pt"
)
model = YOLO(model_path)
results = model("chemin_vers_image_biolit.jpg", conf=0.4)
results[0].show()
Sources
1 source
Sources
1 sourceVérifié 2 sept.
Download files
Artefacts du modèle
6 artefacts
Artefacts du modèle
6 artefactsruns/biolit_v1_bootstrap/yolov8l_biolit_v1.pt
pt · 83,6 MB · SHA-256 c7a9cf9a4feb…5b70 · Hugging Face
Download fileruns/biolit_v2_bootstrap/weights/best.pt
pt · 21,4 MB · SHA-256 b45bc1c51374…6973 · Hugging Face
Download fileruns/biolit_v2_bootstrap/weights/last.pt
pt · 21,4 MB · SHA-256 511d6f68b04d…98f1 · Hugging Face
Download fileruns/biolit_v2_yolo_finetuned/best.pt
pt · 5,94 MB · SHA-256 0eca96e96cfb…da19 · Hugging Face
Download fileruns/finetune-yolo-after-dyno-V2/best-fixed.pt
pt · 21,5 MB · SHA-256 4273a3e11f20…758e · Hugging Face
Download fileruns/finetune-yolo-after-dyno-V2/best.pt
pt · 21,5 MB · SHA-256 6c5b1d419ca6…d156 · Hugging Face
Download fileExtraits de sources
2 extraits
Extraits de sources
2 extraits--- license: apache-2.0 tags: - object-detection - biology - coastal - yolov8 datasets: - dataforgood/biolit-coastal-species-dataset-v2 base_model: Ultralytics/yolov8s pipeline_tag: object-detection --- # YOLOv8s : Détection d'espèces côtières (Biolit) Modèle entraîné dans le cadre du projet **[Biolit](https://www.biolit.fr)** (Data for Good), pour la détection automatique d'espèces côtières sur des photos d'observations citoyennes. Utilisé pour la **saison 14**. ## Modèle - **Architecture** : YOLOv8s (Ultralytics) - **Tâche** : détection d'objets (1 détection par image — l'espèce la plus confiante) - **Fichier** : `runs/biolit_v2_yolo_finetuned/best.pt` ## Méthodologie ## Données d'entraînement Fine-tuné sur ~1 400 images annotées manuellement par un bénévole d l'équipe ML2 en saison, issues de la plateforme Biolit (observations côtières françaises). → Dataset : [dataforgood/biolit-coastal-species-dataset-v2](https://huggingface.co/datasets/dataforgood/biolit-coastal-species-dataset-v2) ## Utilisation ```bash from huggingface_hub import hf_hub_download from ultralytics import YOLO model_path = hf_hub_download( repo_id="DataForGood/yolov8_biolit_crop", filename="runs/finetune-yolo-after-dyno-V2/best.pt" ) model = YOLO(model_path) results = model("chemin_vers_image_biolit.jpg", conf=0.4) results[0].show() ```
Source context: 0 downloads · 0 likes · Pipeline object-detection · Repo DataForGood/yolov8_biolit_crop
