RankSEG Benchmark Models
сегментация для воспроизводимых бенчмарков
2 min readupdated
Это набор готовых моделей сегментации изображений: они размечают пиксели на естественных снимках и КТ-срезах. Для обычных изображений используется UPerNet с backbone ConvNeXt-B, для КТ — DeepLabV3+ с ResNet-50d. В репозитории лежат fp32-веса и config.json, а modeling.py повторяет вывод оригинального кода обучения. Набор сделан ZixunWang и применяется в статьях RankSEG-RMA и RankSEG-DEP; он пригодится исследователям, которым нужны воспроизводимые бенчмарки сегментации.
Ключевые особенности
- Две архитектуры: UPerNet/ConvNeXt-B для VOC, Cityscapes, ADE20K и DeepGlobe; DeepLabV3+/ResNet-50d для KiTS и LiTS.
- Пять фолдов для КТ-датасетов KiTS и LiTS — можно проверять кросс-валидацию.
- В каждом каталоге только fp32-веса и config.json без состояний optimizer и scheduler.
- modeling.py самодостаточен и воспроизводит вывод исходного training-кода.
- Лицензия CC BY-NC-SA 4.0: только некоммерческие исследования, не для клинического применения.
Что можно сделать
- Прогнать стандартные датасеты и сравнить Dice/IoU с опубликованными цифрами.
- Подключить model.predict для sliding-window инференса на своих изображениях.
- Использовать веса как отправную точку в исследовании вероятностей сегментации RankSEG.
- Проверить пайплайн на естественных изображениях и КТ в одном наборе.
Пример
from huggingface_hub import hf_hub_download
import importlib.util
path = hf_hub_download("ZixunWang/rankseg-benchmark-models", "modeling.py")
spec = importlib.util.spec_from_file_location("modeling", path)
modeling = importlib.util.module_from_spec(spec)
spec.loader.exec_module(modeling)
model, config = modeling.from_pretrained("lits/fold0", device="cuda")
probs = model.predict(image)
Подробнее
PASCAL VOC: Dice 91.03 / IoU 87.82; Cityscapes: 82.61 / 75.66; ADE20K: 63.98 / 56.94.KiTS: 61.16 / 54.18; LiTS: 47.38 / 38.34; DeepGlobe: 68.60 / 59.49.
Нужны torch, timm, safetensors и huggingface_hub; протестировано с torch 2.4 и timm 1.0.14.
Веса только для некоммерческих исследований; условия исходных датасетов могут быть строже.










Comments