К содержимому
Другое

hackathon-team6-cubicasa-ae

поиск похожих планировок по картинке

2 мин чтенияобновлено

Свёрточный автоэнкодер (нейросеть, которая сжимает изображение в компактный числовой вектор и восстанавливает обратно) от команды студентов IAAC MaAI 2026/27. Модель переводит картинку архитектурного плана размером 128×128 пикселей в код из 128 чисел: у похожих по форме и пропорциям планировок эти коды оказываются рядом, что позволяет мгновенно искать близкие аналоги. В репозитории уже лежат готовые векторы для 5 000 реальных планов домов из датасета CubiCasa5K, а сама модель весит всего 4,5 МБ в формате ONNX (открытый стандарт для быстрого запуска нейросетей) и работает даже на обычном CPU. Инструмент пригодится архитекторам и студентам для быстрого подбора референсов по общей геометрии здания.

Ключевые особенности

  • Сверхлёгкая архитектура: 1,17 млн параметров, веса в ONNX и PyTorch, обучение и инференс без необходимости в мощной видеокарте.
  • Два выхода сразу: возвращает 128-мерный вектор code для поиска по расстоянию и восстановленную картинку reconstruction.
  • Готовая база для поиска: в комплекте идут предрасчитанные эмбеддинги collection_codes.npy на 5 000 преимущественно финских жилых планов.
  • Точнее классических методов: при сдвиге плана на 3 пикселя и добавлении шума находит оригинал в 69% случаев против 25% у PCA и 4% при сравнении сырых пикселей.

Что можно сделать

  • Поиск архитектурных аналогов: загружать эскиз или чертёж и получать топ-5 похожих по контуру и пропорциям планировок из базы CubiCasa5K.
  • Визуализация и кластеризация базы: строить UMAP-карты больших коллекций чертежей, группируя их по вытянутости, площади застройки и плотности линий.
  • Встраивание в веб-сервис: подключить 4,5-мегабайтный ONNX-файл в локальное приложение или Telegram-бот для подбора референсов планировок.

Пример

session = ort.InferenceSession(hf_hub_download(repo, "floorplan_ae.onnx"))
collection = np.load(hf_hub_download(repo, "collection_codes.npy"))
ids = json.load(open(hf_hub_download(repo, "collection_ids.json")))

code, reconstruction = session.run(None, {"image": preprocess(plan_path)})
distances = np.linalg.norm(collection - code, axis=1)
for i in np.argsort(distances)[:5]:
    print(ids[i], round(float(distances[i]), 1))
Подробнее Метрики (тест CubiCasa5K, 400 планов): Test MSE 0.0131 (против 0.0153 у 32-мерной версии), Retrieval top-1 при сдвиге на 3 px — 69% (на контрастных сканах до 98%, на бледных — 28%).
Препроцессинг строго фиксирован: оттенки серого, инверсия цветов (белые стены на чёрном фоне), дополнение чёрным до квадрата, ресайз Lanczos до 128×128, нормализация [0, 1].
Ограничения: при 128×128 теряются двери, мебель и текст, модель не инвариантна к поворотам и чувствительна к яркости линий скана.
Лицензия: CC BY-NC-SA 4.0 (только для некоммерческого использования).
Примеры
Обсудить Telegram 3

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/hackathon-team6-cubicasa-ae
    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/hackathon-team6-cubicasa-ae --local-dir ~/models/hackathon-team6-cubicasa-ae
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hackathon-team6-cubicasa-ae
  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 hackathon-team6-cubicasa-ae — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

iaac-maai/hackathon-team6-cubicasa-ae
Автор
iaac-maai
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

03

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

ResPlan CVAE

ResPlan CVAE
Другое

car-racing-ppo

car-racing-ppo