К содержимому
Изображения

informative-drawings-onnx

экспорт моделей для генерации контурных рисунков из фото

2 мин чтенияобновлено

Этот репозиторий содержит ONNX-версии (модели в формате для быстрого запуска на разных устройствах) трех генераторов из проекта Informative Drawings. Модели созданы для превращения обычных фотографий в качественные черно-белые линии, эскизы и аниме-арт. Набор включает модели с разной точностью (fp16 и fp32), оптимизированные для работы в мобильном приложении OutlineKid. Инструмент будет полезен разработчикам приложений для обработки изображений и любителям локального запуска нейросетей.

Ключевые особенности

  • Три стиля генерации: контурный (contour), аниме (anime) и скетч (opensketch).
  • Доступны версии в формате fp16 (половинная точность для ускорения) и fp32 (полная точность).
  • Модели переведены в ONNX с поддержкой динамического разрешения изображений (H и W).
  • Исходный код и веса распространяются под лицензией MIT.

Что можно сделать

  • Интегрировать модели в мобильное или десктопное приложение для конвертации фото в графические наброски.
  • Запустить обработку изображений через ONNX Runtime на CPU или других поддерживаемых платформах.
  • Протестировать разные стили линий (контур, аниме, открытый скетч) на собственных фотографиях.

Пример

Модель принимает на вход RGB-изображение в диапазоне от 0 до 1 с динамическим размером (рекомендуется использовать размеры, кратные 8), а на выходе выдает одноканальную карту линий в виде тензора.

ПодробнееБенчмарки (IoU): точность fp32 составляет 1.0000, а для fp16 на разных стилях и разрешениях (512 и 1024) значение IoU держится в пределах 0.9995–0.9999.
Файлы в репозитории: anime.onnx (~8.6 МБ), contour.onnx (~8.6 МБ), opensketch.onnx (~8.6 МБ) и contour_fp32.onnx (~17.2 МБ как резервный вариант).
Детали обучения: конвертация выполнена из оригинального PyTorch-кода с использованием onnxslim и onnxconverter_common (opset 17).
Особенности: статистика InstanceNorm зависит от размера изображения, поэтому входное изображение подается целиком, а не тайлами.
Обсудить Telegram 0

Запустится ли?

Запустится в FP32

Влезает без сжатия.

  • FP32веса 0.0 GB · готовые файлы1.5 GB
  • BF16веса 0.0 GB1.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB1.5 GB
  • 4-bitвеса 0.0 GB1.5 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 · FP32 — 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.

    # ipsilondev/informative-drawings-onnx
    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 ipsilondev/informative-drawings-onnx --local-dir ~/models/informative-drawings-onnx
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к informative-drawings-onnx
  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.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • 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 (3)
    • 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.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • Nunchaku (SVDQuant 4-bit)v1.2.1от 25 января 2026

    ≈3× быстрее и в 3.5× меньше памяти

    4-битные версии популярных моделей картинок почти без потери качества (FP4 на RTX 50).

    Как включить: Есть готовые веса для поддерживаемых моделей; в ComfyUI — ComfyUI-nunchaku.

  • 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

Дообучение модели

carolineec/informative-drawings

Новые посты про версии informative-drawings — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

ipsilondev/informative-drawings-onnx
Автор
ipsilondev
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

LaRenderer

LaRenderer