К содержимому
Другое

YOLO26s и RT-DETR-l

детекторы посадочной площадки для AirSim

3 мин чтенияобновлено

Две модели Ultralytics учатся находить H-маркер посадочной площадки 1 × 1 м в кадре с камеры дрона, направленной вниз: 640 × 640, угол обзора 90°, сцена Microsoft AirSim. Это YOLO26s (CNN без NMS, 20 МБ) и RT-DETR-l (CNN + transformer-decoder, 66 МБ), дообученные с COCO-весов. Проект студенческий: проверить, сможет ли TensorRT-детектор на Jetson Orin Nano выдавать ≥ 20 FPS end-to-end, чтобы логика посадки решала — снижаться или прервать. Важно: модели обучены и протестированы только на синтетике из одной сцены, поэтому почти идеальные метрики — потолок чистого датасета, а не доказательство работы на реальном дроне. Подойдут для воспроизведения экспериментов и как стартовая точка, но не для реальных полётов.

Ключевые особенности

  • Две архитектуры на выбор: YOLO26s — CNN без NMS, 20 МБ; RT-DETR-l — гибрид CNN и transformer-decoder, 66 МБ.
  • Обучение на синтетике AirSim: 3000 train / 500 val, один класс landingsplatform, углы 0–45°, дистанция 4–32 м, около 10% негативов.
  • На ПК с PyTorch: YOLO26s — 15 мс, RT-DETR-l — 36 мс; mAP50 0.995 и 0.994, mAP50-95 0.976 и 0.980.
  • На Jetson Orin Nano 15 Вт: YOLO26s FP16 — 9.4 мс и 22.6 chain FPS в среднем; RT-DETR-l FP16 — 36.1 мс и 13.7 FPS.
  • Ограничение важнее цифр: одна синтетическая сцена; в тумане и темноте recall резко падает, для реального UAV не предназначено.

Что можно сделать

  • Воспроизвести сравнение FP32, FP16 и INT8 на Jetson Orin Nano: в карточке есть рецепт сборки TensorRT-движков и Docker-образ.
  • Взять как baseline для sim-to-real: добавить погоду, текстуры, шум и motion blur, затем сравнить деградацию.
  • Собрать учебный пайплайн точной посадки в AirSim, где детектор решает, снижаться или прервать, а полёт идёт по известной позиции.
  • Проверить эффект INT8 на мелких объектах: на 30 м площадка занимает около 11 px, у YOLO26s INT8 есть потеря локализации.

Пример

from ultralytics import YOLO, RTDETR
model = YOLO('yolo26s.pt')  # или RTDETR('rtdetr-l.pt')
results = model('frame.jpg', imgsz=640, conf=0.5)
model.export(format='engine', half=True, imgsz=640, batch=1)
model.export(format='engine', int8=True, data='calib.yaml', imgsz=640, batch=1)
ПодробнееТест на ПК, 1000 изображений: mAP50-95 — 0.976 у YOLO26s и 0.980 у RT-DETR-l; при θ = 45° — 0.928 и 0.960.
Jetson Orin Nano 15 Вт: YOLO26s FP16 — 9.4 мс, 22.6 chain FPS; RT-DETR-l FP16 — 36.1 мс, 13.7 FPS. В live-посадках ни один движок не дал в среднем 20 FPS.
Ограничения: только синтетика и одна сцена, нет обучения ниже 4 м, бокс не для управления позицией; TensorRT-движки работают только на той GPU и версии TensorRT, где собраны.
Лицензия AGPL-3.0, данные CC BY 4.0.
Обсудить Telegram 0 75

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 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.

    # benitovvt/landing-pad-yolo26s-rtdetr-l
    # ===== 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 benitovvt/landing-pad-yolo26s-rtdetr-l --local-dir ~/models/landing-pad-yolo26s-rtdetr-l
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к landing-pad-yolo26s-rtdetr-l
  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 landing-pad-yolo26s-rtdetr-l — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

benitovvt/landing-pad-yolo26s-rtdetr-l
Автор
benitovvt
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

750

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

VFIG-8B

VFIG-8B