К содержимому
Другое

YOLOX-tiny-buildings

быстрый поиск зданий на спутниковых снимках для CPU

2 мин чтенияобновлено

Компактный детектор объектов, обученный находить один класс — здания (building) — на снимках сверху (аэрофото- и спутниковая съёмка). Модель создана автором jianlee на базе лёгкой архитектуры YOLOX-tiny от Megvii и экспортирована в формат ONNX для запуска без видеокарты. По сравнению с более крупной версией YOLOX-s она работает в 3,1 раза быстрее на процессоре, сохраняя 96% точности (по метрике mAP@.5). Подойдёт разработчикам геоинформационных сервисов и тем, кому нужно обрабатывать спутниковые тайлы на обычном CPU-сервере.

Ключевые особенности

  • Ориентация на CPU: в репозитории доступны две версии — стандартная FP32 (yolox_tiny_buildings.onnx) и квантованная INT8 (yolox_tiny_buildings_int8.onnx) с минимальной потерей точности.
  • Высокая скорость: обработка одного снимка размером 650 px (разбитого на 4 тайла 416×416) на 4 потоках CPU занимает 0,09 с для FP32 и 0,06 с для INT8.
  • Готовность к интеграции: модель принимает на вход тензор 1x3x416x416 (float32, BGR, 0–255 с серым паддингом 114) и выдаёт сырые предсказания 1x3549x6 для последующего декодирования и NMS.

Что можно сделать

  • Подключить модель в конвейер geo-pipeline для быстрого первичного поиска застройки на спутниковых кадрах без использования GPU.
  • Встроить ONNX-файл в собственный Python- или C++-сервис на базе ONNX Runtime для локального анализа аэрофотоснимков на слабом железе.
  • Использовать квантованную INT8-версию на однопоточных CPU-воркерах, где она ускоряет инференс почти в 9 раз по сравнению с YOLOX-s (0,11 с против 0,95 с).

Пример

# Скопируйте файл модели в директорию geo-pipeline и запустите детектор:
cp yolox_tiny_buildings_int8.onnx data/models/yolox-spacenet-tiny-416/yolox_buildings_int8.onnx
DETECTOR_MODELS=stub,yolox-tiny-buildings-int8
ПодробнееМетрики (30 тестовых тайлов SpaceNet Khartoum, 510 зданий): FP32 — mAP@.5 0.564, F1@.5 0.562; INT8 — mAP@.5 0.559, F1@.5 0.548.
Обучение: 60 эпох (последние 10 без mosaic) с чекпоинта yolox_tiny.pth на 240 тайлах датасета SpaceNet 2 Khartoum (AOI 5), batch size 16, fp16.
Ограничения: модель обучалась только на снимках одного города (Хартум), поэтому качество на других городах, сенсорах и разрешениях не гарантируется.
Детектор предсказывает прямоугольники без поворота (axis-aligned boxes), из-за чего плохо разделяет плотно стоящие мелкие здания (recall при IoU 0.5 составляет 0.46). Лицензия: CC BY-SA 4.0.
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.

    # jianlee/yolox-tiny-buildings
    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 jianlee/yolox-tiny-buildings --local-dir ~/models/yolox-tiny-buildings
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к yolox-tiny-buildings
  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

Дообучение модели

Megvii-BaseDetection/YOLOX

Новые посты про версии YOLOX — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

jianlee/yolox-tiny-buildings
Автор
jianlee
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