К содержимому
Другое

VLM3D2025-Task2-AbnormalityClassifications

ансамбль для поиска патологий на КТ

2 мин чтенияобновлено

Модель решает задачу мультилейбловой классификации отклонений на 3D-снимках компьютерной томографии (КТ) и подготовлена для трека Multi-Abnormality Classification конкурса VLM3D@MICCAI 2025. В основе лежит система CT_CLS8 от автора jiaweichen-pjlab, которая объединяет сегментацию органов через TotalSegmentator и классификатор на архитектуре ResEncUNet. Сначала скрипт выделяет семь анатомических зон интереса (ROI), затем прогоняет их через ансамбль из трёх чекпоинтов и усредняет предсказания. Инструмент пригодится исследователям и разработчикам в сфере медицинского ИИ, работающим с автоматическим анализом 3D-томограмм.

Ключевые особенности

  • Ансамбль из трёх моделей: итоговый результат формируется путём усреднения сигмоидных выходов трёх отдельных чекпоинтов ResEncUNet.
  • Привязка к анатомии: встроенная модель TotalSegmentator сегментирует органы и вырезает семь целевых зон (ROI), маскируя классы под конкретную область.
  • Готовый комплект весов: в репозиторий включены как три чекпоинта классификатора (ct_cls8/), так и необходимый чекпоинт TotalSegmentator.

Что можно сделать

  • Автоматический скрининг 3D-снимков: использовать пайплайн для выявления различных патологий на датасетах компьютерной томографии по аналогии с CT-RATE.
  • Бенчмаркинг медицинских моделей: применять веса как готовый бейзлайн для сравнения новых архитектур в задачах анализа 3D-медицинских изображений.

Пример

# Укажите пути к весам в окружении пайплайна code/classification/inference/
export CT_CLS_CKPT_DIR="ct_cls8/"
export nnUNet_results="total_segmentator/Dataset665_Totalsegmentator_v201_Anatomy/"
ПодробнееЛокальная оценка на CT-RATE valid_fixed (3 039 случаев): Macro F1 — 0.6129, Micro F1 — 0.6363, Macro precision — 0.5774, Macro recall — 0.6578.
Данные (снимки CT-RATE, отчёты и разметка) в репозиторий не входят.
Лицензия на веса классификатора — CC BY 4.0 (TotalSegmentator сохраняет свою исходную лицензию).
Обсудить Telegram 2

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.8 GB · готовые файлы1.3 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 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.

    # jiaweichen-pjlab/VLM3D2025-Task2-AbnormalityClassifications
    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 jiaweichen-pjlab/VLM3D2025-Task2-AbnormalityClassifications --local-dir ~/models/VLM3D2025-Task2-AbnormalityClassifications
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 VLM3D2025-Task2-AbnormalityClassifications — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

jiaweichen-pjlab/VLM3D2025-Task2-AbnormalityClassifications
Автор
jiaweichen-pjlab
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

02

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

HiCAST M1

HiCAST M1