К содержимому
Другое

leaftrack-yolo11s-seg

поштучная сегментация листьев на снимках растений

2 мин чтенияобновлено

Модель компьютерного зрения для instance segmentation (выделения контуров каждого отдельного объекта на изображении): она находит и сегментирует каждый лист на фотографиях растений, снятых сверху. На выходе система возвращает список объектов LeafInstance с маской, ограничивающей рамкой (box) и оценкой уверенности для каждого листа. Модель построена на архитектуре YOLO11-seg (библиотека Ultralytics) от автора Awais05 и обучена с помощью фреймворка LeafTrack на датасете KOMATSUNA. В отличие от стандартного вывода Ultralytics, в связке с фильтром соседних листьев модель решает проблему слипания и перекрытия контуров при подсчёте. Пригодится исследователям фенотипирования растений, разработчикам агротех-сервисов и автоматизированных систем мониторинга теплиц.

Ключевые особенности

  • Высокая точность выделения контуров: на тестовой выборке модель достигает Mask mAP50 0.965 и Box mAP50 0.968.
  • Встроенная постобработка: фильтр соседних листьев (neighbour-leaf filter) повышает точность определения точного количества листьев на снимке с 23% до 85% (метрика SBD вырастает с 0.766 до 0.934).
  • Работает даже без видеокарты: медианная задержка инференса на CPU (2 потока, разрешение 640) составляет 672 мс на изображение.
  • Открытая лицензия MIT разрешает свободное использование весов в коммерческих и научных проектах.

Что можно сделать

  • Автоматизировать подсчёт листьев и отслеживание динамики роста рассады по фотографиям с камер верхнего обзора.
  • Встроить модель в пайплайны цифрового фенотипирования растений для оценки площади листовой поверхности по полученным маскам.
  • Развернуть локальный скрипт анализа снимков растений на обычном сервере или мини-ПК без GPU благодаря приемлемой скорости работы на CPU.

Пример

from leaftrack.segment import LeafSegmenter

segmenter = LeafSegmenter.from_hub("Awais05/leaftrack-yolo11s-seg")
leaves = segmenter.predict(rgb_image)  # list of LeafInstance (mask, box, confidence)
ПодробнееМетрики на тесте (240 изображений, порог 0.25 + фильтр соседних листьев): Mask mAP50-95 — 0.806, SBD — 0.934 ± 0.057, FBD — 0.971, точный подсчёт листьев (Exact count) — 85%.
Скорость на CPU (2 потока, imgsz 640): медиана 672 мс, p90 — 841 мс на кадр.
Обучение: датасет KOMATSUNA (Uchiyama et al., 2017) с разделением по отдельным растениям, чтобы тестовые экземпляры не встречались при обучении; лицензия MIT.
Обсудить Telegram 0 58

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

    # Awais05/leaftrack-yolo11s-seg
    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 Awais05/leaftrack-yolo11s-seg --local-dir ~/models/leaftrack-yolo11s-seg
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к leaftrack-yolo11s-seg
  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 leaftrack-yolo11s-seg — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Awais05/leaftrack-yolo11s-seg
Автор
Awais05
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

580

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии