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 чекпоинтовResEncUNet3D(~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
160³и192³вокселей (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 LB0.54788, 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).









Комментарии