Skip to content
Other

nrs-large 0.1.0

zero-shot оценка глубины по стереопаре без дообучения

2 min readupdated

Модель для восстановления карты диспаратности (смещения объектов между левым и правым кадром) и метрической глубины по паре изображений со стереокамеры. Разработана компанией Necessity Robotics на базе архитектуры DLNR (57,38 млн параметров) и обучена полностью с нуля на синтетическом датасете WMGStereo-150k без использования чужих предобученных весов. В отличие от решений, требующих тонкой настройки под конкретное железо, nrs-large работает в режиме zero-shot: её проверили на шести реальных бенчмарках, которых не было в обучении. Пригодится робототехникам и инженерам компьютерного зрения для офлайн-построения 3D-карт и разметки данных под более лёгкие модели.

Ключевые особенности

  • Zero-shot на реальных сценах: обучена исключительно на 155 769 синтетических стереопарах, но уверенно переносится на реальные снимки с камер (проверено в том числе на OAK-D Lite).
  • Работа с любой калиброванной стереокамерой: скрипт rig_depth.py из репозитория сам ректифицирует (выравнивает) сырые кадры по файлу калибровки OpenCV и рассчитывает глубину в метрах.
  • Поддержка любого разрешения и ч/б: принимает RGB или чёрно-белые изображения произвольного размера, автоматически дополняя их до кратности 32 пикселям.
  • Открытая лицензия Apache-2.0: веса в формате safetensors и скрипты инференса полностью открыты для коммерческого и исследовательского использования.

Что можно сделать

  • Авторазметка датасетов: использовать модель как «учителя» на сервере или ПК для генерации эталонных карт глубины с реальных камер и последующего обучения компактных бортовых сетей.
  • 3D-реконструкция и картографирование: строить точные офлайн-карты окружения по записям с кастомных стереоригов, зная фокусное расстояние и базу (расстояние между камерами).
  • Бенчмаркинг в исследованиях: использовать воспроизводимый чекпоинт DLNR как базовую линию для сравнения алгоритмов стереозрения.

Пример

python infer.py --ckpt nrs-large.safetensors --left left.png --right right.png \
  --out_dir out --device cuda --fx  --baseline 
ПодробнееМетрики ошибок (меньше — лучше): ETH3D bad-1 — 2,04%, KITTI-12 bad-3 — 3,38%, KITTI-15 bad-3 — 4,59%, Middlebury-H bad-2 — 3,91%, Booster-Q bad-2 — 9,22%.
Скорость (кадр 640×480, 32 итерации, FP32): 0,28 с на NVIDIA RTX 5090 и 6,5 с на CPU Ryzen 9 9950X (8 потоков).
Ограничения: не предназначена для реального времени на встраиваемых платах (Jetson), не поддерживает рыбий глаз (fisheye) и монокулярное видео, плохо справляется со стеклом, зеркалами и однотонными поверхностями.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.2 GB · ready files0.7 GB
  • FP8 / INT8recommendedweights 0.1 GB0.6 GB
  • 4-bitweights 0.1 GB0.6 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.

    # Pyassahu/nrs-large
    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 Pyassahu/nrs-large --local-dir ~/models/nrs-large
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to nrs-large
  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 nrs-large (quants, finetunes, LoRAs) will show up under the bell.

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

About the model

Pyassahu/nrs-large
Author
Pyassahu
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