К содержимому
Другое

Altriaqe/cxr-convnext-896-ensemble

ансамбль для анализа рентгена грудной клетки

2 мин чтения

Набор весов из двух свёрточных нейросетей ConvNeXt для автоматического поиска патологий на рентгеновских снимках грудной клетки (CXR). Модель решает задачу мультилейбл-классификации (на одном снимке можно обнаружить сразу несколько признаков) по 10 классам: 9 видов заболеваний и вариант «без патологий» (No Finding). В основе лежат модели convnext_small.in12k_ft_in1k и convnext_tiny.in12k_ft_in1k из библиотеки timm, дообученные на изображениях высокого разрешения 896×896 пикселей. Решение оптимизировано под высокую скорость работы и пригодится исследователям в области медицинского ИИ или участникам профильных ML-соревнований.

Ключевые особенности

  • Двухкомпонентный ансамбль из ConvNeXt-Small (24 эпохи обучения) и ConvNeXt-Tiny (12 эпох) с равным усреднением логитов.
  • Постобработка со сглаживанием по пациенту (учёт других исследований того же пациента с коэффициентом λ=0.15) для повышения точности.
  • Высокая скорость инференса в формате FP16 — около 62 мс на одно исследование на видеокарте уровня NVIDIA T4.
  • Обучение проводилось строго на официальном тренировочном наборе (30 344 снимка / 18 513 исследований) без внешних медицинских баз.

Что можно сделать

  • Использовать как готовый бейзлайн для скрининга 9 патологий, включая пневмонию, пневмоторакс, отёк лёгких, кардиомегалию и ателектаз.
  • Применить пайплайн с агрегацией снимков внутри одного исследования и сглаживанием предсказаний по пациентам в собственных медицинских ML-задачах.
  • Запустить быстрый пакетный инференс в окружениях с жёстким лимитом времени обработки (до 100 мс на исследование).

Пример

import torch, timm

ck = torch.load("exp066_s896_24ep_best.pth", map_location="cpu", weights_only=False)
model = timm.create_model(ck["arch"], pretrained=False, num_classes=10)
model.load_state_dict(ck["model_state_dict"])
model.eval()
ПодробнееМетрика валидации (9-class macro AUC): 0.8139 для ансамбля и 0.8167 со сглаживанием по пациенту (одиночные модели: 0.8130 и 0.8111).
Общий вес чекпоинтов: 295 МБ (188.8 МБ Small + 106.2 МБ Tiny), вход — ч/б снимки 896×896 (3 канала, нормализация ImageNet).
Ограничения: коммерческое использование и редистрибуция зависят от лицензии исходного датасета соревнований (код под MIT, базовые веса — Apache-2.0).
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Altriaqe/cxr-convnext-896-ensemble
    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 Altriaqe/cxr-convnext-896-ensemble --local-dir ~/models/cxr-convnext-896-ensemble
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к cxr-convnext-896-ensemble
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии cxr-convnext-896-ensemble — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Altriaqe/cxr-convnext-896-ensemble
Автор
Altriaqe
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

HiCAST M1

HiCAST M1