К содержимому
Другое

HMH-1-Cell

классификатор и детектор клеток

2 мин чтения

Двухэтапный пайплайн на базе onnxruntime для анализа микроскопических изображений, объединяющий детекцию объектов и классификацию по 20 категориям. Система находит клетки с помощью модели YOLO11s-seg, а затем классифицирует их на клеточные линии, клетки крови, иммунные клетки и образцы с малярией. Решение работает на обычном CPU без необходимости устанавливать тяжелый PyTorch. Проект пригодится исследователям, биоинформатикам и разработчикам приложений для анализа клеточных культур.

Ключевые особенности

  • Двухэтапная архитектура: YOLO11s-seg для поиска и ResNet18 для точного определения типов клеток.
  • Поддержка 20 различных классов, включая линии клеток, элементы крови и образцы малярии.
  • Полная автономность работы на CPU с использованием библиотеки onnxruntime.
  • Открытая структура данных с возможностью расширения и кастомизации через конфигурационные файлы.

Что можно сделать

  • Интегрировать пайплайн в локальные скрипты для автоматической обработки микроскопических снимков.
  • Запустить полный цикл обработки полноразмерных изображений с детекцией, обрезкой и классификацией.
  • Использовать готовые веса и классы для создания специализированных диагностических прототипов.

Пример

import json, numpy as np, onnxruntime as ort
from PIL import Image

cls = ort.InferenceSession("model.onnx", providers=["CPUExecutionProvider"])
meta = json.load(open("classes.json", encoding="utf-8"))
classes = meta["classes"]

im = Image.open("sample_cell.jpg").convert("RGB").resize((128, 128))
x = np.asarray(im, dtype=np.float32) / 255.0
x = x.transpose(2, 0, 1)[None]
logits = cls.run(None, {cls.get_inputs()[0].name: x})[0][0]
print(classes[int(np.argmax(logits))]["name_cn"])
Подробнее• Точность (top-1) классификатора: 94.04% на тестовом наборе из 29,668 изображений.
• Детектор (LIVECell): recall 0.813, precision 0.781, F1 0.797.
• Обучено на данных LIVECell, BloodMNIST, Deepcell и NIH Malaria.
• Лицензия: CC BY-NC 4.0 (только для некоммерческого использования).
• Ограничение: оптимизировано под фазово-контрастную и светлоклеточную микроскопию.
Обсудить Telegram 1

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.

    # fengraoyaoshi/HMH-1-Cell-20class
    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 fengraoyaoshi/HMH-1-Cell-20class --local-dir ~/models/HMH-1-Cell-20class
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к HMH-1-Cell-20class
  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 HMH-1-Cell-20class — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

fengraoyaoshi/HMH-1-Cell-20class
Автор
fengraoyaoshi
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии