К содержимому
Другое

burn-scar-ca

поиск выгоревших территорий после лесных пожаров в Канаде

2 мин чтенияобновлено

Модель для семантической сегментации (попиксельной классификации) спутниковых снимков, которая определяет границы территорий, пострадавших от лесных пожаров в Канаде. На вход подаётся шестиканальный снимок Sentinel-2 L2A с разрешением 30 метров, а на выходе получается бинарная маска: «выгорело» или «не выгорело». Модель создана командой Centauri Research на базе ibm-nasa-geospatial/Prithvi-EO-2.0-300M-BurnScars и дообучена на данных канадских пожаров NBAC. В отличие от оригинальной модели, которая обучалась на пожарах в США и часто давала ложные срабатывания на канадских ландшафтах, эта версия снижает долю ложноположительных пикселей с 15% до менее чем 2%. Пригодится исследователям экологии, климатологам и специалистам по дистанционному зондированию Земли.

Ключевые особенности

  • Снижает ложные срабатывания на нетронутых землях с ~15% до менее 2% (точность класса невыгоревших пикселей выросла с 0.849 до 0.984).
  • Совпадение с эталонными периметрами пожаров (Burn-scar IoU) на тестовой выборке по Квебеку выросло с 0.566 до 0.873.
  • Работает с шестью спектральными каналами Sentinel-2 (B02, B03, B04, B8A, B11, B12) на снимках с облачностью менее 20%.
  • Распространяется по открытой лицензии Apache-2.0 вместе со скриптом инференса и файлом статистики для нормализации.

Что можно сделать

  • Автоматически строить маски выгоревших площадей по архивным и свежим снимкам Sentinel-2 для оценки масштабов пожаров в бореальных лесах.
  • Использовать в исследовательских пайплайнах геоаналитики для мониторинга восстановления лесных массивов после пожаров 2017–2026 годов.

Пример

pip install terratorch==1.2.14 rasterio safetensors
python inference_example.py chip.tif burned_mask.tif
ПодробнееМетрики на тесте (274 фрагмента по Квебеку): mIoU — 0.922 (против 0.706 у базовой модели), F1 — 0.959, Recall выгоревших пикселей — 0.939.
Обучение: 1024 тайла размером 512×512 пикселей (данные NBAC за 2017–2025 гг.), фреймворк TerraTorch 1.2.14 на одной GPU NVIDIA L4.
Формат весов: burn_scar_ca_v1_fp16.safetensors (при запуске приводится к float32).
Ограничения: выделяет только два класса без оценки степени тяжести ожога; не предназначена для оперативного управления тушением, страхования или юридических решений.
Обсудить Telegram 0

Запустится ли?

Запустится в FP16

Влезает без сжатия.

  • FP16веса 0.6 GB · готовые файлы1.2 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.2 GB0.7 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 · FP16 — 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.

    # anjanid/burn-scar-ca
    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 anjanid/burn-scar-ca --local-dir ~/models/burn-scar-ca
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к burn-scar-ca
  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 Prithvi-EO-2.0-300M-BurnScars — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

anjanid/burn-scar-ca
Автор
anjanid
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