К содержимому
Другое

inference4j/yolox-s

лёгкий детектор объектов в формате ONNX

2 мин чтения

Модель распознаёт объекты на изображениях и возвращает их координаты вместе с метками из 80 стандартных категорий набора COCO (люди, транспорт, животные, бытовые предметы). Это официальный экспорт архитектуры YOLOX-S от компании Megvii в универсальный формат ONNX (открытый стандарт для запуска нейросетей на разных платформах), зеркалированный для работы с Java-библиотекой inference4j. Главный плюс перед более новыми версиями вроде YOLOv8 — свободная лицензия Apache-2.0 на код и веса без строгих ограничений AGPL. Компактный размер в 9 миллионов параметров делает модель удобной для интеграции в бэкенд-сервисы на Java и кроссплатформенные приложения.

Ключевые особенности

  • Архитектура YOLOX-S без привязки к якорям (anchor-free) и с разделённой головой (decoupled head) на 9,0 млн параметров.
  • Поддержка 80 базовых классов объектов из датасета COCO (от людей до предметов быта).
  • Полностью пермиссивная лицензия Apache-2.0, разрешающая коммерческое использование без открытия исходного кода.
  • Готовый официальный граф ONNX opset 11 с фиксированным входом 640×640 пикселей.

Что можно сделать

  • Встроить распознавание объектов в Java-приложения или микросервисы с помощью библиотеки inference4j без поднятия отдельного Python-сервера.
  • Развернуть модель в любой среде, поддерживающей ONNX Runtime, для базового анализа фотографий и видеокадров.

Пример

try (ObjectDetector detector = YoloXDetector.s().build()) {
    List detections = detector.detect(Path.of("street.jpg"));
    detections.forEach(d -> System.out.printf("%s (%.0f%%) at [%.0f, %.0f, %.0f, %.0f]%n",
        d.label(), d.confidence() * 100,
        d.box().x1(), d.box().y1(), d.box().x2(), d.box().y2()));
}
ПодробнееМетрика качества: 40.5 COCO AP (на валидации val2017 при разрешении 640×640).
Обучена с нуля на COCO 2017 train без предобучения на ImageNet.
Вход: тензор [1, 3, 640, 640] в формате BGR (значения 0–255, без нормализации mean/std) с дополнением полей значением 114.
Постобработка (декодирование координат и NMS с порогом IoU 0.45) выполняется вне графа ONNX.
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.

    # inference4j/yolox-s
    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 inference4j/yolox-s --local-dir ~/models/yolox-s
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к yolox-s
  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 yolox-s — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

inference4j/yolox-s
Автор
inference4j
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