К содержимому
Изображения

Open Vision Banana 4B Seg 1-Step LoRA

сегментация по тексту за 1 шаг

2 мин чтенияобновлено

Адаптер для сегментации объектов на изображении по текстовому описанию (referring segmentation): на вход подаётся картинка и фраза вроде «чёрный бильярдный шар», а на выходе получается чёрно-белая маска нужной области. Модель представляет собой LoRA (компактную надстройку над базовыми весами) от автора ApacheOne для трансформера Open Vision Banana 4B (на базе компонентов FLUX.2-klein-base-4B). В отличие от оригинальной 28-шаговой версии, этот вариант работает всего за 1 шаг деноизинга, но при этом обходит базу по точности на валидации ReasonSeg. Пригодится разработчикам компьютерного зрения и пайплайнов редактирования изображений, где критична скорость генерации масок.

Ключевые особенности

  • Генерация маски за 1 проход трансформера с обновлением Euler (от sigma 1 до 0) и CFG 1.0.
  • Ускорение этапов деноизинга и декодирования VAE примерно в 31 раз по сравнению с базовой 28-шаговой моделью (0.72 с против 22.33 с на пилотном наборе 512²).
  • На полном валидационном наборе ReasonSeg (200 изображений, 1024²) набрала 76.89 gIoU против 74.60 у оригинальной OVB 4B (+2.29 пункта) при скорости 2.46 с на изображение.
  • Обучена за 1 000 шагов на 200 изображениях из обучающей выборки ReasonSeg с параметрами rank 64 и alpha 64.

Что можно сделать

  • Автоматически выделять конкретные объекты на фото по смысловому запросу в пайплайнах на базе Diffusers и FLUX.2-klein-base-4B.
  • Использовать быструю генерацию бинарных масок как первый этап перед инпейнтингом или заменой фона в редакторах изображений.
  • Интегрировать в связку с LLM (например, Gemma 4 31B, как в бенчмарке) для превращения сложных пользовательских вопросов в точные фразы-указатели для сегментации.

Пример

pipe.load_lora_weights("ApacheOne/Open-Vision-Banana-4B-Seg-1Step-Lora", weight_name="ovb_4b_reasonseg_one_step.safetensors")
prompt = '[TASK: REFERRING_SEGMENTATION] Segment the region that best matches this description: "the black billiard ball". Paint the matching region white [255, 255, 255] and leave everything else black [0, 0, 0]. Output only the segmentation mask image.'
raw = pipe(image=image, prompt=prompt, num_inference_steps=1, guidance_scale=1.0, sigmas=[1.0]).images[0]
ПодробнееReasonSeg val (200 фото, 1024²): 76.89 gIoU, 74.79 cIoU, 2.46 с/фото (с кэшем эмбеддингов).
Пилот Open Images (10 фото, 512²): 48.96 gIoU против 46.04 у базы (0.79 с против 24.30 с).
Требования и точность: для воспроизведения бенчмарка веса LoRA переводят в float32 поверх bfloat16-пайплайна; замеры времени не включают кодирование промпта/картинки и загрузку модели.
Лицензия: FLUX Non-Commercial License (только для некоммерческого использования).
Примеры
Обсудить Telegram 0 25

Запустится ли?

Запустится в FP8 / INT8

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 34 GB · готовые файлы39 GB
  • FP8 / INT8рекомендуемвеса 17 GB20 GB
  • 4-bitвеса 9.9 GB12 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 4090

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

Это LoRA: вместе с базовой моделью Open-Vision-Banana.

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.

    # ApacheOne/Open-Vision-Banana-4B-Seg-1Step-Lora
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 FunAILab/Open-Vision-Banana --local-dir ~/models/Open-Vision-Banana
    hf download ApacheOne/Open-Vision-Banana-4B-Seg-1Step-Lora --local-dir ~/models/Open-Vision-Banana-4B-Seg-1Step-Lora
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Open-Vision-Banana
  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.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • 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 (3)
    • 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.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • Nunchaku (SVDQuant 4-bit)v1.2.1от 25 января 2026

    ≈3× быстрее и в 3.5× меньше памяти

    4-битные версии популярных моделей картинок почти без потери качества (FP4 на RTX 50).

    Как включить: Есть готовые веса для поддерживаемых моделей; в ComfyUI — ComfyUI-nunchaku.

  • 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

Нужна базовая модель

FunAILab/Open-Vision-Banana

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. FLUX.2-klein-base-9Bоснова семьи
  2. Open-Vision-Banana
  3. Open-Vision-Banana-4B-Seg-1Step-Lora

Новые посты про версии FLUX.2-klein-base-9B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

ApacheOne/Open-Vision-Banana-4B-Seg-1Step-Lora
Автор
ApacheOne
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

TinyForge-Vision-222M

TinyForge-Vision-222M