К содержимому
Другое

day4-group7-crack-classifier

поиск трещин на бетоне по фото

2 мин чтенияобновлено

Компактный классификатор изображений для предварительной сортировки снимков бетонных поверхностей. Модель определяет, есть ли на крупном плане трещина (crack) или поверхность целая (no_crack), и выдаёт вероятность каждого класса. В основе лежит лёгкая свёрточная архитектура ResNet18 (11,2 млн параметров) от команды студентов курса AI Methods I (IAAC MaAI), дообученная методом transfer learning (заморожены базовые слои, обучен только новый финальный классификатор из 1 026 параметров). В отличие от сложных детекторов объектов, модель не рисует рамки, а максимально быстро отсеивает пустые кадры, помогая инженерам-инспекторам и управляющим объектами в первую очередь проверять проблемные фото.

Ключевые особенности

  • Сверхлёгкий вес: файл весов model.pt занимает всего 44,8 МБ и без проблем работает даже на CPU.
  • Настройка порога чувствительности: стандартный порог вероятности составляет 0,5, но для снижения риска пропуска тонких трещин авторы рекомендуют понижать его до 0,3.
  • Честная валидация: в карточке подробно разобраны не только тестовые метрики, но и ошибки на новых снимках из интернета, включая ложные срабатывания на провода и царапины.
  • Открытая лицензия: модель распространяется под лицензией MIT, а полный пайплайн обучения выложен на GitHub.

Что можно сделать

  • Автоматически сортировать большие архивы фотографий после осмотра зданий и сооружений, выделяя кадры с вероятными дефектами.
  • Нарезать панорамные или широкоугольные снимки стен на мелкие тайлы (224×224 пикселя) и прогонять их через классификатор для первичного скрининга поверхности.
  • Использовать как готовый бейзлайн или учебный пример пайплайна бинарной классификации на PyTorch и torchvision.

Пример

import torch
from torch import nn
from torchvision import models
from PIL import Image
from huggingface_hub import hf_hub_download

model = models.resnet18()
model.fc = nn.Linear(model.fc.in_features, 2)
model.load_state_dict(torch.load(hf_hub_download("iaac-maai/day4-group7-crack-classifier", "model.pt"), map_location="cpu"))
model.eval()

transform = models.ResNet18_Weights.DEFAULT.transforms()
probs = torch.softmax(model(transform(Image.open("wall.jpg").convert("RGB")).unsqueeze(0)), dim=1)[0]
print("CHECK" if probs[0] >= 0.5 else "ok")
ПодробнееМетрики: Accuracy, Precision и Recall на тестовой выборке (600 фото из датасета METU) — 99,7%, на 21 новом фото из сети — 86% (Recall 80%, Precision 100%).
Железо и обучение: обучена на 2 800 кропах на MacBook Pro (Apple Silicon MPS) за 2,7 минуты; для инференса достаточно CPU.
Ограничения: работает только с крупными планами голого бетона (вход 224×224 px), пропускает волосяные трещины на общих планах, может путать с трещинами провода, тени и швы; не подходит для кирпича, штукатурки и оценки аварийности конструкций.
Примеры
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.

    # iaac-maai/day4-group7-crack-classifier
    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 iaac-maai/day4-group7-crack-classifier --local-dir ~/models/day4-group7-crack-classifier
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к day4-group7-crack-classifier
  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 day4-group7-crack-classifier — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

iaac-maai/day4-group7-crack-classifier
Автор
iaac-maai
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