主要观点：

• 探讨了现有/当前与小地图冠军检测相关的工作，指出之前的方法存在依赖现有数据、处理重叠图像不佳、不能检测所有冠军、检测冠军位置不准确、过度工程化且无评估等问题。
• 介绍了自己生成数据和使用单模型检测小地图上所有冠军的方法，通过生成模拟小地图图像并使用 Faster R-CNN ResNet50 模型训练，解决了之前的问题。
• 对模型进行了评估，包括图像生成速度、模型训练速度、损失曲线、各种指标（如 IoU、精度、召回率等），并与 Farza 的对象检测器进行了比较，表明自己的模型性能显著优于 Farza 的模型。
• 讨论了未来工作的方向，如处理被完全覆盖的冠军图像、检测 Yuumi 等特殊情况、处理克隆自己的冠军等。

关键信息：

• 介绍了 DeepLeague、PandaScore、League-X 等之前的工作及其存在的问题。
• 详细阐述了自己生成数据的方法和模型架构。
• 给出了模型评估的结果，包括各种指标的图表和分析。
• 与 Farza 的对象检测器进行了比较，展示了自己模型的优势。

重要细节：

• 生成数据的过程包括多个步骤，如添加各种元素到基础小地图上，以模拟真实游戏场景，且图像生成速度受 Global Interpreter Lock 影响。
• 模型使用 Faster R-CNN ResNet50 模型，训练时将 pretrained 设置为 False，num_classes 设置为 1 + 148。
• 评估指标包括 True positives、False positives、False negatives、Extra champions detected、Precision、Recall、Accuracy IoU 等，不同指标在 score threshold 和 IoU threshold 变化时的表现不同。
• 与 Farza 的对象检测器比较时，在多个方面都有明显优势，如 AP 值更高等。
• 讨论了未来工作中可采用的方法，如使用 Kalman Filter 估计被完全覆盖的冠军位置等。