File size: 1,571 Bytes
7aac01d 971d800 7aac01d 971d800 7aac01d 971d800 7aac01d 971d800 | 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 | ---
library_name: ultralytics
license: agpl-3.0
language: pt
pipeline_tag: object-detection
tags:
- object-detection
- yolo
- yolov8
- framenet
- pytorch
---
# 👁️ ReINVenTA: YOLOv8 Object Detector (Stage 1)
> **Detector de Elementos de Frame (Fine-Tuned YOLOv8-Medium)**
Este modelo representa o **Estágio 1 (Percepção Simbólica)** do pipeline **ReINVenTA**. Ele atua como os "olhos" do sistema, transformando pixels brutos em uma lista estruturada de entidades presentes na cena.
## 🚀 Sobre o Modelo
Treinado no dataset **Flickr30k Entities**, este modelo foi adaptado para detectar **635 tipos de Elementos de Frame** (ex: `People`, `Clothing`, `Animals`, `Vehicles`, `Tools`).
- **Base Model:** YOLOv8m (Medium)
- **Dataset:** Flickr30k Entities (Bounding Boxes)
- **Função:** Detecção de objetos para construção de vetor simbólico (Neuro-Symbolic Fusion).
## 💻 Como Usar
Para utilizar este modelo, você precisa da biblioteca `ultralytics`.
```bash
pip install ultralytics huggingface_hub
from ultralytics import YOLO
from huggingface_hub import hf_hub_download
# 1. Baixar o modelo do Hub
model_path = hf_hub_download(repo_id="FrameNetBrasil/reinventa-yolo-detection", filename="best.pt")
# 2. Carregar com Ultralytics
model = YOLO(model_path)
# 3. Inferência
results = model("[https://ultralytics.com/images/bus.jpg](https://ultralytics.com/images/bus.jpg)") # Aceita URL ou caminho local
# 4. Resultados
for result in results:
result.show() # Mostra a imagem com caixas
print(result.names) # Lista de classes detectadas |