К содержимому
Другое

land-cover-ca v2

сегментация береговой линии по снимкам Sentinel-2

2 мин чтенияобновлено

Модель определяет тип земного покрова для каждого 30-метрового пикселя на летних композитных снимках со спутника Sentinel-2 L2A, разделяя их на шесть классов: лес, пашня, застройка, вода, водно-болотные угодья и прочее. Это файнтюн (дообучение под узкую задачу) геопространственной модели Prithvi-EO-2.0-300M от IBM и NASA с декодером UNet, созданный командой Centauri Research для проекта LakePulse на хакатон NASA Space Apps Challenge 2026. В отличие от стандартных карт MODIS с разрешением 500 метров, модель детализирует 30-метровую прибрежную полосу вокруг озера Симко и впадающих в него ручьёв в Онтарио. Пригодится специалистам по дистанционному зондированию Земли, экологам и исследователям, работающим с TerraTorch.

Ключевые особенности

  • Повышенная точность на редких классах за счёт взвешенной функции потерь: вес обратно пропорционален квадратному корню доли пикселей класса, что заметно улучшило распознавание болот по сравнению с версией без весов.
  • Строгая пространственная валидация: тестовый блок водосбора реки Холланд и прилегающие чипы в радиусе 6,72 км были полностью исключены из обучения, чтобы избежать утечки данных.
  • Компактный формат весов land_cover_ca_v2_fp16.safetensors в половинной точности с готовыми файлами конфигурации terratorch_config.yaml и статистикой нормализации norm_stats.json.
  • Работает строго с шестью спектральными каналами Sentinel-2 L2A (BLUE, GREEN, RED, NIR_NARROW, SWIR_1, SWIR_2), очищенными от облаков.

Что можно сделать

  • Анализировать стоки и землепользование в 30-метровой прибрежной зоне вокруг озера Симко и соседних водосборов южного Онтарио.
  • Воспроизвести эксперимент и сравнить нейросетевую сегментацию с градиентным бустингом на базе прилагаемых контрольных моделей в папке ablations/.
  • Использовать как референсный пайплайн настройки SemanticSegmentationTask в библиотеке TerraTorch 1.2.14 для собственных задач классификации спутниковых снимков.

Пример

Для запуска загрузите конфигурацию terratorch_config.yaml в SemanticSegmentationTask библиотеки TerraTorch с параметром backbone_pretrained: false, затем переведите тензоры из land_cover_ca_v2_fp16.safetensors во float32 и загрузите веса с strict=True. На вход подаётся нормализованный 6-канальный летний композит Sentinel-2 L2A без облаков с разрешением 30 м.

Подробнее Метрики (mean IoU на тестовом блоке): 0.5145 по всей территории и 0.4040 в 30-метровой прибрежной полосе (выше градиентного бустинга с 0.4794 и первой версии модели с 0.4724).
По классам (IoU): вода — 0.9044, пашня — 0.8010, лес — 0.6550, застройка — 0.5727, болота — 0.0846, прочее — 0.0690.
Обучение: 636 обучающих и 30 валидационных чипов (224×224 пикселя) за 2019–2021 годы на Google Colab A100 в bf16.
Ограничения: модель обучена на федеральной карте Канады 2020 года (не на полевых замерах) только для южного Онтарио; на зимних (mIoU 0.0484), облачных (0.2117) и задымлённых снимках качество резко падает.
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/land-cover-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/land-cover-ca --local-dir ~/models/land-cover-ca
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к land-cover-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 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

anjanid/land-cover-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

Другое

CoVeR

CoVeR