dovaldev/lol-champions-onnx

LoL Vision Recognizer (ONNX)

Modelos ONNX para reconocer contenido visual de League of Legends. Este repositorio se genera desde el proyecto Astro y queda como paquete unificado para la web y el Space de Hugging Face.

Demo: https://huggingface.co/spaces/dovaldev/lol-champions-demo

Modelos incluidos

Tarea	Backbone	Entrada	Clases	Archivo
champions	mobilenetv3_large_100	224x224	172	champions.onnx
items	mobilenetv3_small_100	128x128	548	items.onnx
summoner_spells	mobilenetv3_small_100	128x128	9	summoner_spells.onnx
abilities	mobilenetv3_small_100	128x128	860	abilities.onnx

Archivos

• vision-manifest.json: índice canónico de modelos y archivos.
• *.labels.json: nombres, subtítulos y assets resueltos desde los manifiestos de Astro.
• champions.*: clasificador de campeones.
• items.*: clasificador de objetos.
• summoner_spells.*: clasificador de hechizos de invocador.
• abilities.*: clasificador de habilidades y pasivas.
• model.onnx, model.onnx.data y metadata.json: alias legacy del modelo de campeones para compatibilidad con integraciones antiguas.

Uso desde Python

import json
import numpy as np
import onnxruntime as ort
from huggingface_hub import hf_hub_download
from PIL import Image

REPO_ID = "dovaldev/lol-champions-onnx"
TASK = "champions"  # champions, items, summoner_spells o abilities

manifest_path = hf_hub_download(REPO_ID, "vision-manifest.json")
manifest = json.load(open(manifest_path, "r", encoding="utf-8"))
model_info = manifest["models"][TASK]

onnx_path = hf_hub_download(REPO_ID, model_info["onnx_file"])
metadata_path = hf_hub_download(REPO_ID, model_info["metadata_file"])
if model_info.get("external_data_file"):
    hf_hub_download(REPO_ID, model_info["external_data_file"])

metadata = json.load(open(metadata_path, "r", encoding="utf-8"))
classes = metadata["classes"]
size = int(metadata["input_size"])
mean = np.asarray(metadata.get("mean", [0.485, 0.456, 0.406]), dtype=np.float32)
std = np.asarray(metadata.get("std", [0.229, 0.224, 0.225]), dtype=np.float32)

def preprocess(img):
    img = img.convert("RGB")
    w, h = img.size
    scale = max(size / w, size / h)
    nw, nh = int(round(w * scale)), int(round(h * scale))
    img = img.resize((nw, nh), Image.Resampling.BICUBIC)
    left = (nw - size) // 2
    top = (nh - size) // 2
    img = img.crop((left, top, left + size, top + size))
    arr = np.asarray(img, dtype=np.float32) / 255.0
    arr = (arr - mean) / std
    return np.expand_dims(np.transpose(arr, (2, 0, 1)), axis=0)

def softmax(x):
    x = x - np.max(x, axis=1, keepdims=True)
    exp = np.exp(x)
    return exp / np.sum(exp, axis=1, keepdims=True)

session = ort.InferenceSession(onnx_path, providers=["CPUExecutionProvider"])
image = Image.open("sample.png")
logits = session.run(None, {session.get_inputs()[0].name: preprocess(image)})[0]
probs = softmax(logits)[0]

for index in np.argsort(-probs)[:5]:
    print(classes[int(index)], float(probs[int(index)]))

Estado del paquete

Este paquete se mantiene sincronizado con la version de produccion del reconocedor. El manifiesto vision-manifest.json indica que archivos corresponden a cada tarea y permite cargar los modelos de forma programatica.