К содержимому
Другое

Flood Detector

классификатор уровня воды для камер наблюдения

2 мин чтенияобновлено

Модель оценивает уровень воды на реке по изображениям с фиксированной камеры и классифицирует состояние на четыре класса: низкий, средний, высокий уровень и наводнение. Решение построено на лёгкой архитектуре MobileNetV3Large с добавлением конформного прогнозирования (метода оценки доверительных интервалов) для оценки неопределённости результатов. Модель разработана для развёртывания на периферийных устройствах (edge deployment) в рамках академического проекта. Подойдет исследователям и разработчикам систем мониторинга окружающей среды.

Ключевые особенности

  • Лёгкий бэкбон MobileNetV3Large оптимизирован для запуска на слабомощном железе.
  • Специальные методы борьбы с дисбалансом классов (включая focal loss и аугментацию).
  • Конформное прогнозирование для оценки точности и надёжности предсказаний.
  • Обучено на реальных данных с фиксированной камеры в Сан-Карлусе (Бразилия).

Что можно сделать

  • Интегрировать модель в локальную систему мониторинга рек по кадрам с камер.
  • Использовать код и подход для проектов по анализу природных рисков и ЧС.
  • Проанализировать ноутбук с обучением для применения конформного прогнозирования в своих задачах.

Пример

import numpy as np
import tensorflow as tf
from huggingface_hub import hf_hub_download

REPO_ID = "Bisse18/Mobilenet_V3_Large_FT_for_urban_flood_detection"
CLASS_NAMES = ["low", "medium", "high", "flood"]

model = tf.keras.models.load_model(hf_hub_download(REPO_ID, "flood_model.keras"), compile=False)
thresholds = np.load(hf_hub_download(REPO_ID, "conformal_thresholds.npy"))

img = tf.io.decode_jpeg(tf.io.read_file("river.jpg"), channels=3)
img = tf.image.resize(img, (224, 224))
probs = model.predict(img[None], verbose=0)[0]

valid = np.where(probs >= thresholds)[0]
pred = valid[np.argmax(probs[valid])] if len(valid) else int(np.argmax(probs))
print("Prediction:", CLASS_NAMES[pred])
Подробнее• Глобальная точность: 96.48% (тест 2020 года)
• F1-мера для класса наводнений: 78.65%
• Фреймворк: TensorFlow / Keras
• Ограничения: обучено по данным только одной камеры, не заменяет официальные системы предупреждения
Обсудить Telegram 0 41

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.

    # Bisse18/Mobilenet_V3_Large_FT_for_urban_flood_detection
    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 Bisse18/Mobilenet_V3_Large_FT_for_urban_flood_detection --local-dir ~/models/Mobilenet_V3_Large_FT_for_urban_flood_detection
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 Mobilenet_V3_Large_FT_for_urban_flood_detection — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Bisse18/Mobilenet_V3_Large_FT_for_urban_flood_detection
Автор
Bisse18
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

410

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии