К содержимому
Другое

Building Defect AI

классификатор дефектов фасадов

2 мин чтенияобновлено

Building Defect AI — учебно-прикладной проект, который по фотографии поверхности здания определяет одну из семи категорий: водоросли, крупная трещина, мелкая трещина, отслоение, ровная поверхность, выкрашивание или пятно. В основе — ResNet18 и transfer learning; лучший эксперимент дал test accuracy 87,92% на 795 тестовых снимках. Модель также строит Grad-CAM-теплокарты, чтобы показать, какие участки изображения повлияли на прогноз. Пригодится для исследований computer vision в архитектуре, учебных прототипов и объяснимого AI, но не заменяет профессиональное обследование здания.

Ключевые особенности

  • Различает 7 состояний поверхности: Algae, Major Crack, Minor Crack, Peeling, Plain, Spalling, Stain.
  • Лучший результат — fine-tuning Layer4 и classifier с early stopping: 87,92% на тесте.
  • Grad-CAM подсвечивает области, важные для решения, по последнему свёрточному блоку ResNet18.
  • В репозитории есть скрипты predict.py, evaluate.py, gradcam.py и ноутбуки экспериментов.
  • Это академический прототип: возможна утечка похожих или аугментированных изображений между split'ами, а внешние реальные фото требуют дополнительной проверки.

Что можно сделать

  • Проверить фото фасада в учебном прототипе и получить класс дефекта вместе с теплокартой для интерпретации.
  • Разобрать на примере BD3, как работает transfer learning и fine-tuning ResNet18.
  • Собрать основу для исследовательского помощника по мониторингу зданий: сортировка снимков по категориям для дальнейшего осмотра.
  • Использовать как отправную точку для будущих экспериментов с детекцией и сегментацией дефектов.

Пример

Сценарий из карточки: подайте снимок поверхности здания в src/predict.py — на выходе будет один из семи классов. Затем запустите src/gradcam.py, чтобы получить тепловую карту участков, на которые опиралась модель. На тесте лучший эксперимент верно классифицировал 699 из 795 изображений.

ПодробнееTest accuracy: 87,92% (699 из 795), macro F1 — 87,80%, weighted F1 — 87,77%.
Эксперимент 3 (fine-tuning Layer4 + classifier, early stopping) обошёл эксперименты 1 и 2: 83,14% и 79,75%.
Слабое место — Minor Crack: recall 69,05%; Grad-CAM даёт качественную визуализацию, но не границы дефекта и не оценку серьёзности.
Датасет BD3: 3 965 изображений, split 60:20:20, random seed 42.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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.

    # fawad-archAI/building-defect-ai
    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 fawad-archAI/building-defect-ai --local-dir ~/models/building-defect-ai
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к building-defect-ai
  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 building-defect-ai — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

fawad-archAI/building-defect-ai
Автор
fawad-archAI
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