К содержимому
Другое

Vesuvius 3D Surface Segmentation

3D-сегментация обугленных свитков

2 мин чтенияобновлено

Набор из десяти нейросетевых моделей на PyTorch для объёмной сегментации поверхностей обугленных папирусных свитков Геркуланума по данным микро-КТ (компьютерной томографии). Решение создано пользователем emiraran для соревнования Kaggle Vesuvius Challenge — Surface Detection и объединяет две 3D-архитектуры: пять чекпоинтов PureSegResNet3D и пять ResEncUNet3D. В отличие от базового бейзлайна (стартового решения), переход на чистый PyTorch и увеличение размера 3D-патчей подняли итоговый результат более чем на 0.14 пункта. Инструмент пригодится исследователям компьютерного зрения, участникам ML-соревнований и специалистам, работающим с 3D-томографией.

Ключевые особенности

  • Ансамбль из 10 моделей: объединяет 5 чекпоинтов PureSegResNet3D (~18,8 млн параметров каждый) и 5 чекпоинтов ResEncUNet3D (~15,9 млн параметров) с заданными весами для голосования.
  • Работа без лишних зависимостей: инференс написан на чистом PyTorch и не требует установки библиотеки MONAI.
  • Крупные 3D-патчи: модели обучены на объёмных блоках размером 160³ и 192³ вокселей (объёмных пикселей) с дообучением на полном наборе данных.
  • Открытый код и лицензия MIT: в связанном GitHub-репозитории выложены скрипты обучения, TTA-инференса (аугментации во время предсказания) и топологической постобработки.

Что можно сделать

  • Проводить объёмную сегментацию слоёв папируса на нормализованных 3D-снимках микро-КТ в задачах Vesuvius Challenge.
  • Использовать готовые веса как сильную отправную точку или компонент ансамбля для других задач 3D-сегментации медицинских и промышленных томограмм.
  • Применять отдельные лёгкие чекпоинты (60–72 МБ на файл) для быстрого инференса скользящим окном без тяжеловесных фреймворков.

Пример

import torch
from huggingface_hub import hf_hub_download
from importlib.util import spec_from_file_location, module_from_spec

modeling_path = hf_hub_download("emiraran/vesuvius-3d-surface-segmentation", "modeling.py")
spec = spec_from_file_location("vesuvius_modeling", modeling_path)
mod = module_from_spec(spec); spec.loader.exec_module(mod)
ckpt = hf_hub_download("emiraran/vesuvius-3d-surface-segmentation", "weights/segresnet3d_p192_finetune192_best.pth")
model = mod.load_model("PureSegResNet3D", ckpt, device="cuda")
probs = torch.sigmoid(model(torch.zeros(1, 1, 192, 192, 192).cuda()))
Подробнее Метрики Kaggle: Private LB 0.54788, Public LB 0.54030 (прирост +0.14368 относительно v1-бейзлайна 0.40420).
Размер весов: ~71,73 МБ для каждой модели PureSegResNet3D и ~60,73 МБ для ResEncUNet3D.
Обучение: дообучение проводилось на GPU L4, на вход подаются нормализованные в диапазон [0, 1] 3D-тензоры формата (B, 1, D, H, W).
Обсудить Telegram 1 27

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.

    # emiraran/vesuvius-3d-surface-segmentation
    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 emiraran/vesuvius-3d-surface-segmentation --local-dir ~/models/vesuvius-3d-surface-segmentation
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к vesuvius-3d-surface-segmentation
  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 vesuvius-3d-surface-segmentation — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

emiraran/vesuvius-3d-surface-segmentation
Автор
emiraran
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

271

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии