Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
在图片里找出球衣号码并在每个号码外画框,全程在你的浏览器里完成,图片不会离开你的设备。
JerseyNet - Jersey Number Detection 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download MHkhan50/jersey-number-detection --repo-type space --local-dir jersey-number-detection cd jersey-number-detection
JerseyNet 是一个小型检测器,能在图片里找出球衣号码,并在每个找到的号码外画一个框。模型通过 ONNX Runtime Web 在你的浏览器里运行,所以图片不会被上传到任何地方。它只定位号码,不识别具体数字。
研究体育图像分析的人,或者想看一个紧凑的检测模型完全在浏览器里运行的人。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 体育分析 | 研究者和分析师 | 在比赛照片里定位球衣号码 | 在一张冰球照片里找出号码 |
| 计算机视觉 | 学生和开发者 | 研究一个在客户端运行的小型检测器 | 阅读页面如何加载模型文件 |
| 教育 | 机器学习老师 | 演示不需要任何服务器的检测 | 展示一个从不上传图片的模型 |
如果你需要识别具体数字或处理其他运动,可以跳过它,因为作者把它称作研究演示。
| 使用场景 | 谁用 | 得到什么 |
|---|---|---|
| 在照片里找号码 | 有冰球图片的任何人 | 在找到的每个号码外画的框 |
| 试用浏览器内检测 | 开发者 | 一个无需上传就能运行的模型 |
| 研究页面代码 | 学生 | 一个带模型文件和两个脚本的小型静态页面 |
在线使用不需要安装任何东西。本地副本需要一个浏览器,以及下载时用到的少量 Python。
pip install -U huggingface_hub hf download MHkhan50/jersey-number-detection --repo-type space --local-dir jersey-number-detection cd jersey-number-detection
打开这个 Space 的页面,或打开本地副本里的 index.html,然后上传一张图片。页面会在它找到的每个球衣号码外画一个框。来源没有列出其他控件。
hf download MHkhan50/jersey-number-detection --repo-type space --local-dir jersey-number-detection
你上传一张冰球比赛的照片,其中一名球员的号码清晰可见。页面会在这个号码外画一个框。它不会告诉你具体是哪些数字,而画面拥挤或尺寸很大的照片可能效果较差。
检测就是找出东西在图片里的位置。第一步,上传一张清晰的冰球照片,看看那些框。所有内容都不会离开你的浏览器。
这个模型叫 JerseyNet,是一个 CenterNet 风格、4.7M 参数的检测器,在公开的 jersey-2 数据集上从随机初始化开始训练,用了 mosaic 增强、GIoU 框损失和 384 px 输入。在测试集上,它的 AP50:95 为 0.314,AP50 为 0.593,三个随机种子的平均值为 0.308。页面按训练时的方式做 letterbox 并解码热力图,导出的流程与 Python 的结果一致。
在图片里找出球衣号码并在每个号码外画框,全程在你的浏览器里完成,图片不会离开你的设备。
由 MHkhan50 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:JerseyNet 是一个小型检测器,能在图片里找出球衣号码,并在每个找到的号码外画一个框。模型通过 ONNX Runtime Web 在你的浏览器里运行,所以图片不会被上传到任何地方。它只定位号码,不识别具体数字。
适合谁:研究体育图像分析的人,或者想看一个紧凑的检测模型完全在浏览器里运行的人。
行业 | 谁在用 | 怎么用 | 例子
体育分析 | 研究者和分析师 | 在比赛照片里定位球衣号码 | 在一张冰球照片里找出号码
计算机视觉 | 学生和开发者 | 研究一个在客户端运行的小型检测器 | 阅读页面如何加载模型文件
教育 | 机器学习老师 | 演示不需要任何服务器的检测 | 展示一个从不上传图片的模型
如果你需要识别具体数字或处理其他运动,可以跳过它,因为作者把它称作研究演示。
用在哪里:
使用场景 | 谁用 | 得到什么
在照片里找号码 | 有冰球图片的任何人 | 在找到的每个号码外画的框
试用浏览器内检测 | 开发者 | 一个无需上传就能运行的模型
研究页面代码 | 学生 | 一个带模型文件和两个脚本的小型静态页面
如何设置:在线使用不需要安装任何东西。本地副本需要一个浏览器,以及下载时用到的少量 Python。
pip install -U huggingface_hub
hf download MHkhan50/jersey-number-detection --repo-type space --local-dir jersey-number-detection
cd jersey-number-detection
如何使用:打开这个 Space 的页面,或打开本地副本里的 index.html,然后上传一张图片。页面会在它找到的每个球衣号码外画一个框。来源没有列出其他控件。
hf download MHkhan50/jersey-number-detection --repo-type space --local-dir jersey-number-detection
示例:你上传一张冰球比赛的照片,其中一名球员的号码清晰可见。页面会在这个号码外画一个框。它不会告诉你具体是哪些数字,而画面拥挤或尺寸很大的照片可能效果较差。
新手与专家:检测就是找出东西在图片里的位置。第一步,上传一张清晰的冰球照片,看看那些框。所有内容都不会离开你的浏览器。
这个模型叫 JerseyNet,是一个 CenterNet 风格、4.7M 参数的检测器,在公开的 jersey-2 数据集上从随机初始化开始训练,用了 mosaic 增强、GIoU 框损失和 384 px 输入。在测试集上,它的 AP50:95 为 0.314,AP50 为 0.593,三个随机种子的平均值为 0.308。页面按训练时的方式做 letterbox 并解码热力图,导出的流程与 Python 的结果一致。
在浏览器里上传一张图片
图片被 letterbox 成模型输入
ONNX Runtime Web 在本地运行 JerseyNet
在号码外画框
注意事项:
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 4 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| JerseyNet - Jersey Number Detection 本页 | 1 | static | mit | |
| Arena Leaderboard共有 static | 5,039 | static | apache-2.0 | |
| Browser共有 static | 533 | static | cc0-1.0 | |
| Model Pulse共有 static | 214 | static | apache-2.0 | |
| MTEB-BR Leaderboard共有 static | 126 | static | apache-2.0 | |
| Hub Stats共有 static | 65 | static | apache-2.0 |
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
AbdomenAtlas · 工具包
在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。
dBenf · 工具包
回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。
zimmerk4 · 工具包
用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。