К содержимому
Другое

What-to-Preserve-Where-to-Adapt

3D nnU-Net чекпоинты против забывания при сегментации

2 мин чтенияобновлено

Набор предобученных весов и результатов оценки для научной работы об эффекте «забывания» в непрерывном обучении (continual learning) при сегментации гинекологических медицинских снимков. Модели построены на базе архитектуры 3D nnU-Net (v1, конфигурация 3d_fullres) с использованием фреймворка Lifelong nnU-Net от автора AmalSaqib. Вместо одного чекпоинта здесь собраны базовая модель и 38 экспериментальных прогонов адаптации под новые наборы данных (ECPC-IDS и UT-EndoMRI), включая варианты с поблочной калибровкой скорости обучения. Репозиторий пригодится исследователям в области медицинского компьютерного зрения для изучения катастрофического забывания нейросетей и воспроизведения экспериментов без необходимости заново обучать модели на GPU.

Ключевые особенности

  • Архитектура 3D nnU-Net: все сети обучены в конфигурации 3d_fullres с помощью Lifelong nnU-Net до финальной 100-й эпохи (fold 0).
  • Полный набор экспериментов: в папке results/ лежит исходный чекпоинт (обученный на датасете UMD) и 38 вариантов его адаптации к новым задачам (ECPC-IDS и UT-EndoMRI).
  • Калибровка по блокам: для прогонов с адаптивным шагом обучения (scale-aware runs) приложены файлы gradient_lr_calibration.json с откалиброванными множителями для блоков сети.
  • Готовые метрики качества: папка evaluation/ содержит файлы val_metrics_eval.json с расчётом метрик Dice и IoU по каждому случаю и классу, а также контрольные суммы SHA256SUMS.

Что можно сделать

  • Воспроизвести таблицы из статьи без GPU: скачать чекпоинты и оценки, после чего запустить скрипт reproducibility/summarize_questions.py для пересчёта забывания, Dice и смещения весов.
  • Изучить динамику весов при дообучении: проанализировать, какие блоки 3D nnU-Net сильнее всего меняются при адаптации к новым медицинским датасетам и как помогает разный learning rate для слоёв.
  • Использовать как отправную точку для экспериментов: взять базовый чекпоинт UMD в качестве стартовых весов для собственных тестов непрерывной сегментации в Lifelong nnU-Net.

Пример

git clone [https://github.com/AmalSaqib/What-to-Preserve-Where-to-Adapt](https://github.com/AmalSaqib/What-to-Preserve-Where-to-Adapt) && cd What-to-Preserve-Where-to-Adapt
hf download AmalSaqib/What-to-Preserve-Where-to-Adapt --local-dir hf

export RESULTS_FOLDER=$PWD/hf/results EVALUATION_FOLDER=$PWD/hf/evaluation
SEQ=nnUNet_ext/3d_fullres/Task666_UMD_Task555_ECPC_Task778_EndoMRI_T1FS/Task666_UMD/nnUNetTrainerSequential__nnUNetPlansv2.1/Generic_UNet/SEQ
export PAPER_INIT_CHECKPOINT=$RESULTS_FOLDER/$SEQ/fold_0
export PAPER_BASELINE_UMD_EVAL=$EVALUATION_FOLDER/$SEQ/head_Task666_UMD/fold_0/Task666_UMD/val_metrics_eval.json

python reproducibility/summarize_questions.py
ПодробнееОбучение: 100 эпох (fold 0) на базе Lifelong nnU-Net, базовый датасет UMD и адаптация на ECPC-IDS и UT-EndoMRI.
Данные: сами медицинские изображения и разметка в репозиторий не включены, только веса (.model, .pkl) и метрики Dice/IoU.
Безопасность: чекпоинты сохранены в формате PyTorch pickle, а .pkl содержат исходные локальные пути обучения.
Лицензия: CC BY-NC 4.0 (только для некоммерческих научных исследований).
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # AmalSaqib/What-to-Preserve-Where-to-Adapt
    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 AmalSaqib/What-to-Preserve-Where-to-Adapt --local-dir ~/models/What-to-Preserve-Where-to-Adapt
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к What-to-Preserve-Where-to-Adapt
  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 What-to-Preserve-Where-to-Adapt — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

AmalSaqib/What-to-Preserve-Where-to-Adapt
Автор
AmalSaqib
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

PHASE-TTC-Adapt

PHASE-TTC-Adapt