К содержимому
Другое

visual-feature-discovery

определение типографии по сканам старинных книг

2 мин чтенияобновлено

Набор весов для классификации отсканированных страниц корейской периодики колониального периода по четырём типографиям, в которых они были напечатаны. В основе лежат архитектуры AttriMIL (метод обучения с множественными экземплярами для поиска визуальных признаков), ConvNeXtV2 Base и Swin S3 Base 224 от исследователей из области цифровых гуманитарных наук. В отличие от обычных классификаторов, модели протестированы со строгим разделением по книгам (held-out book), чтобы исключить утечку данных между страницами одного издания. Репозиторий пригодится историкам, архивистам и разработчикам систем анализа исторических документов.

Ключевые особенности

  • Поддержка трёх архитектур: компактной AttriMIL (веса по 12 МБ) и крупных базовых моделей ConvNeXtV2 Base и Swin S3 Base 224.
  • Интерпретируемый поиск визуальных признаков по фрагментам страницы (патчам размером 16x16 и 8x8 пикселей).
  • Честная оценка качества на ранее не встречавшихся книгах (GroupKFold) по пяти фолдам кросс-валидации.
  • Официальные веса к научной статье 2026 года с открытыми метаданными датасета на Zenodo и исходным кодом на GitHub.

Что можно сделать

  • Автоматически атрибутировать архивные сканы корейских периодических изданий по четырём историческим типографиям.
  • Использовать чекпоинты AttriMIL и код репозитория как основу для задач интерпретируемой классификации шрифтов, печати и дефектов сканирования.
  • Сравнить поведение patch-based моделей (AttriMIL) и классических vision-трансформеров (Swin, ConvNeXtV2) при разбиении данных по документам и страницам.

Пример

import torch
from huggingface_hub import hf_hub_download
from src.models.lightning_attrimil import LightningAttriMIL

path = hf_hub_download("aronvandepol/visual-feature-discovery", "attrimil_p8s4_flash_fold0.pth")
ckpt = torch.load(path, map_location="cpu", weights_only=True)
model = LightningAttriMIL(**ckpt["hyper_parameters"])
model.load_state_dict(ckpt["state_dict"])
ПодробнееТочность на новых книгах (held-out book): AttriMIL 16x16 — 84.52 ± 2.19%, Swin S3 Base 224 — 84.11 ± 1.81%, ConvNeXtV2 Base — 81.98 ± 2.40%.
При случайном разбиении по страницам точность бейзлайнов достигает 98.15%, но авторы предупреждают о переобучении на стиль конкретной книги.
Обучено на 57 583 страницах из коллекции Hyundam Mun'go (сами изображения не включены в репозиторий).
Лицензия: CC-BY-4.0 для весов и MIT для кода.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 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.

    # aronvandepol/visual-feature-discovery
    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 aronvandepol/visual-feature-discovery --local-dir ~/models/visual-feature-discovery
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к visual-feature-discovery
  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 visual-feature-discovery — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

aronvandepol/visual-feature-discovery
Автор
aronvandepol
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