Instructions to use PSImera/apex_enemy_detect with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- ultralytics
How to use PSImera/apex_enemy_detect with ultralytics:
from ultralytics import YOLOvv8 model = YOLOvv8.from_pretrained("PSImera/apex_enemy_detect") source = 'http://images.cocodataset.org/val2017/000000039769.jpg' model.predict(source=source, save=True) - Notebooks
- Google Colab
- Kaggle
apex_enemy_detect
Модели YOLOv8 для обнаружения врагов на записях геймплея Apex Legends. Два варианта: nano (скорость) и medium (точность).
Apex Enemy Detect Demo — инструмент для анализа видео геймплея, обнаружения врагов и исправления растянутого разрешения.
Модели
| YOLOv8n (nano) | YOLOv8m (medium) | |
|---|---|---|
| Файл | apex_detect_v8n_v2.1.pt |
apex_detect_v8m_v2.1.pt |
| Параметры | ~3.2M | ~25.9M |
| Precision | 0.932 | 0.943 |
| Recall | 0.877 | 0.883 |
| mAP@50 | 0.930 | 0.938 |
| mAP@50-95 | 0.756 | 0.796 |
| Лучше для | Скорость / слабый GPU | Точность |
Использование
from ultralytics import YOLO
model = YOLO("apex_detect_v8m_v2.1.pt")
results = model.predict("frame.jpg", conf=0.35, iou=0.5, imgsz=640)
Или автоматически через приложение Apex Enemy Detect Demo — модели загружаются отсюда при первом запуске.
Параметры обучения
| Параметр | Значение |
|---|---|
| Датасет | apex_detect_v2_p1_converted |
| Эпохи | 200 (patience 100) |
| Batch size | 16 |
| Image size | 640×640 |
| Оптимизатор | AdamW (lr=0.001) |
| Аугментации | HSV (S/V ±0.3), горизонтальный флип (p=0.5), random erasing (p=0.4) |
Дообучены на основе весов COCO от Ultralytics на кастомном датасете врагов Apex Legends.
Кривые обучения
| YOLOv8n (nano) | YOLOv8m (medium) |
|---|---|
![]() |
![]() |
Кривые Precision-Recall
| YOLOv8n (nano) | YOLOv8m (medium) |
|---|---|
![]() |
![]() |



