Skip to content
Other

eskd-yolo26

детектор элементов чертежей ЕСКД и ГОСТ

2 min readupdated

Набор детекторов на базе архитектуры yolo26s для анализа структуры синтетических и реальных инженерных чертежей по стандартам ЕСКД и ГОСТ. Модель находит и размечает геометрию документа: внешнюю рамку, основную надпись (штамп), отдельные ячейки, зоны видов, области с текстом, стрелки и символы. На выходе получаются координаты объектов в формате COCO или предразметка для дальнейшей работы, при этом сам текст модель не распознаёт (OCR отсутствует). Проект пригодится инженерам и разработчикам систем автоматизации документооборота для первичного парсинга технической документации.

Ключевые особенности

  • Разделение на четыре специализированные задачи: layout (13 классов разметки, обучение завершено), text (20 классов текстовых зон, в процессе обучения), arrows и symbols.
  • Работа в высоком разрешении: 1280 пикселей для базовой разметки листа и 1536 пикселей для плотных текстовых областей с лимитом до 3000 детекций на лист.
  • Наличие встроенного режима полуавтоматической предразметки (prelabel.py) с разделением на автоматическое принятие и ручную проверку по порогам уверенности.
  • Открытые веса для всех эпох обучения (epoch_010.pt — epoch_060.pt) и чекпоинты best.pt / last.pt.

Что можно сделать

  • Автоматически вырезать основную надпись (title_block) и её отдельные ячейки из сканов чертежей перед передачей в сторонний OCR-движок.
  • Ускорить сбор собственного датасета реальных инженерных документов с помощью скрипта черновой разметки с обязательной проверкой сложных зон вроде view_detail.
  • Дообучить модель на собственных сканах чертежей, стартуя с выложенных весов last.pt.

Пример

python tools/infer.py --weights models/layout/best.pt \
  --source photos/ --out runs/infer \
  --imgsz 1280 --conf 0.25 --max-det 3000 --coco
ПодробнееМетрики задачи layout (60 эпох) на синтетическом тесте из 400 листов: mAP50 — 0.995, mAP50-95 — 0.993.
Проверка на 58 реальных снимках: детекции сработали на всех 58 листах (2040 объектов), средняя уверенность для title_block — 0.975, для title_cell — 0.926, для view_detail — 0.659.
Параметры обучения: yolo26s, batch 8 (для text — 4), AMP fp16, оптимизатор MuSGD, mosaic=0.3 без отражений.
Ограничения: модель обучена на синтетике (на реальных сканах есть сдвиг домена, реальный mAP не измерялся), не распознаёт текст, лицензия Ultralytics AGPL-3.0.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.1 GB · ready files0.6 GB
  • FP8 / INT8recommendedweights 0.0 GB0.6 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # p4ulbr4dl3y/eskd-yolo26
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download p4ulbr4dl3y/eskd-yolo26 --local-dir ~/models/eskd-yolo26
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to eskd-yolo26
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of eskd-yolo26 (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

p4ulbr4dl3y/eskd-yolo26
Author
p4ulbr4dl3y
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments