К содержимому
Другое

Transcoda V2.1

распознавание нотных листов в формат Humdrum

2 мин чтенияобновлено

Модель решает задачу OMR (оптического распознавания нотной записи): она берёт изображение печатной западной нотации и переводит его в компактный текстовый формат Humdrum. В основе лежит архитектура из энкодера ConvNeXt V2 Tiny и декодера Transformer общим объёмом 108 млн параметров от автора btrkeks. Главная особенность — модель обучена исключительно на синтетических данных, но в режиме декодирования с грамматическими ограничениями выдаёт 100% валидный по рендеру результат даже на реальных сканах. Пригодится исследователям музыки, архивистам и разработчикам софта для создания черновиков транскрипций.

Ключевые особенности

  • Компактность: всего 108M параметров на базе энкодера convnextv2-tiny-22k-224 и Transformer-декодера.
  • Обучение на синтетике: тренировка прошла на 343 470 синтетических страницах из датасетов PDMX, GrandStaff и KernScores без использования реальных сканов.
  • Грамматические ограничения при генерации: режим Constrained greedy следит за структурой тактов и голосов, обеспечивая 100% рендерируемость результата на реальных нотах с IMSLP.

Что можно сделать

  • Автоматически переводить PDF-файлы и сканы классических фортепианных партитур в машиночитаемый текстовый формат для дальнейшего анализа.
  • Использовать чекпоинт вместе с грамматикой из репозитория как базовый движок для создания инструментов оцифровки нот и черновых транскрипций.

Пример

Готового фрагмента кода в карточке нет, но процесс работы выглядит так: на вход подаётся изображение страницы (модель приводит его к ширине 1050 и высоте 1485 пикселей), а скрипт scripts/infer.py из официального репозитория генерирует текстовую разметку в стандарте Humdrum с невидимыми паузами для выравнивания коротких голосов.

ПодробнееМетрики на реальных сканах (IMSLP-Real OMR-NED): 22.59% в режиме Constrained greedy против 28.50% в обычном Beam search (чем ниже, тем лучше).
На синтетическом тесте ошибка OMR-NED составляет 1.25% (Constrained greedy) и 1.56% (Beam).
Ограничения: модель не тестировалась на рукописных и незападных нотах; в обучающей выборке преобладают произведения Шопена.
Модель пропускает лиги, штрихи, динамику, текст песен, вольты и указания D.C./Fine — результат требует ручной проверки.
Лицензия на веса: CC BY-NC 4.0 (только для некоммерческого использования).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # btrkeks/transcoda-v2.1
    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 btrkeks/transcoda-v2.1 --local-dir ~/models/transcoda-v2.1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к transcoda-v2.1
  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 transcoda-v2.1 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

btrkeks/transcoda-v2.1
Автор
btrkeks
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