К содержимому
Другое

WasteAI

набор из 4 моделей для распознавания и сортировки мусора по фото

2 мин чтенияобновлено

Репозиторий содержит четыре обученные свёрточные нейросети (CNN) на базе Keras от разработчика Atchyuteswar Gottumukkala. Модели определяют тип отходов на изображении и относят его к одной из шести базовых категорий: картон, стекло, металл, бумага, пластик или прочий мусор. Проект включает как кастомную архитектуру, так и три модели на основе transfer learning (дообучения готовых сетей): MobileNetV2, VGG16 и VGG19. Подойдёт студентам, исследователям и разработчикам прототипов систем компьютерного зрения для изучения классификации изображений и сравнения архитектур.

Ключевые особенности

  • Шесть категорий отходов: модели распознают Cardboard (картон), Glass (стекло), Metal (металл), Paper (бумага), Plastic (пластик) и Trash (прочий мусор).
  • Четыре архитектуры на выбор: в одном репозитории собраны лёгкая MobileNetV2, классические VGG16 и VGG19, а также собственная кастомная CNN.
  • Готовые веса в формате Keras: файлы моделей можно загрузить напрямую через huggingface_hub и сразу использовать в TensorFlow 2.21 / Keras 3.13.
  • Открытая экосистема: автор опубликовал исходный код проекта на GitHub и живое веб-демо на базе Streamlit для быстрой проверки работы.

Что можно сделать

  • Собрать экспериментальное веб- или мобильное приложение для определения типа отходов по фотографии с камеры, используя демо на Streamlit как основу.
  • Сравнить на практике точность и скорость работы четырёх разных CNN-архитектур на едином наборе данных и едином пайплайне оценки.
  • Выбрать компактную mobilenetv2_model.keras для запуска на устройствах с ограниченными ресурсами или более точную vgg19_model.keras для серверных прототипов.

Пример

import tensorflow as tf
from huggingface_hub import hf_hub_download

model_path = hf_hub_download(
    repo_id="Atchyuteswar/wasteai-models",
    filename="vgg19_model.keras"
)
model = tf.keras.models.load_model(model_path, compile=False)
ПодробнееТочность на тестовой выборке (379 фото): VGG19 — 91.29% (Macro F1: 89.93%), VGG16 — 88.65%, MobileNetV2 — 87.07%, Custom CNN — 73.09%.
Входные данные: RGB-изображения 224 × 224 пикселей; важно применять препроцессинг (preprocess_input), соответствующий выбранной архитектуре.
Обучено на 2 526 изображениях из датасета Garbage Classification (Kaggle) с разбиением 70% / 15% / 15%.
Ограничения: академический прототип; не определяет тип пластика, степень загрязнения и пригодность к переработке по локальным правилам.
Обсудить Telegram 1 136

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.

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

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

О модели

Atchyuteswar/wasteai-models
Автор
Atchyuteswar
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

1361

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии