Spot Yolov8m

Entraînement

• Epochs : 50
• Batch size : 16
• Optimizer : auto (SGD)
• Hardware : GPU NVIDIA, durée ~1 h

Dataset

Frames extraites des séquences vidéos du DARPA Subterranean Challenge Final Event (Days 2, 3, 4) ainsi que de deux clips Boston Dynamics (Spot Launch et Spot Warehouse), à 1 image par seconde.

Les annotations ont été générées automatiquement par Grounding DINO en zero-shot detection avec le prompt textuel "quadruped robot", puis validées manuellement (architecture Teacher–Student).

Utilisation

from ultralytics import YOLO

model = YOLO("best.pt")
results = model.predict("path/to/image.jpg", conf=0.5)
results[0].show()

Code source

Le pipeline complet (téléchargement vidéos, extraction frames, annotation, entraînement) est disponible sur GitHub : https://github.com/Ronanlg44/spot-AI-vision-detection

Citation

Le Guenne, R. (2026). Spot AI Vision Detection — Brique de redondance YOLOv8m pour le projet FILDARIANE. Stage Polytech Lille / CRIStAL CNRS.

--- library_name: ultralytics tags: - object-detection - yolov8 - robotics - spot - boston-dynamics datasets: - DARPA-Subterranean-Challenge --- # Spot Detector (YOLOv8m) Détecteur YOLOv8m du robot quadrupède Boston Dynamics Spot, entraîné dans le cadre du projet FILDARIANE (CRIStAL/CNRS, stage Polytech Lille, 2026). ## Vue d'ensemble Ce modèle sert de brique de redondance dans un système de tracking visuel principalement basé sur des marqueurs AprilTag. Lorsque les tags sont occultés ou hors champ, ce détecteur prend le relais pour maintenir la localisation du robot Spot. ## Architecture - **Modèle** : YOLOv8m (medium, ~25M paramètres, ~52 Mo) - **Classe détectée** : Spot - **Image size** : 640 × 640 ## Entraînement - **Epochs** : 50 - **Batch size** : 16 - **Optimizer** : auto (SGD) - **Hardware** : GPU NVIDIA, durée ~1 h ## Dataset Frames extraites des séquences vidéos du **DARPA Subterranean Challenge Final Event** (Days 2, 3, 4) ainsi que de deux clips Boston Dynamics (*Spot Launch* et *Spot Warehouse*), à 1 image par seconde. Les annotations ont été générées automatiquement par **Grounding DINO** en *zero-shot detection* avec le prompt textuel `"quadruped robot"`, puis validées manuellement (architecture *Teacher–Student*). ## Utilisation ```python from ultralytics import YOLO model = YOLO("best.pt") results = model.predict("path/to/image.jpg", conf=0.5) results[0].show() ``` ## Code source Le pipeline complet (téléchargement vidéos, extraction frames, annotation, entraînement) est disponible sur GitHub : https://github.com/Ronanlg44/spot-AI-vision-detection ## Citation Le Guenne, R. (2026). *Spot AI Vision Detection — Brique de redondance YOLOv8m pour le projet FILDARIANE*. Stage Polytech Lille / CRIStAL CNRS.