К содержимому
Другое

DigitNet v2 Display Band

ONNX-модель для чтения семисегментных индикаторов

2 мин чтения

Инструмент выполняет распознавание цифр на семисегментных жидкокристаллических экранах по локальным изображениям (JPEG или PNG) с заданными координатами блоков. Модель основана на весах DigitNet v2 от Chakib Belgaid, адаптированных для работы на CPU в формате ONNX (с добавлением оценки фона всей полосы дисплея и сохранения основных внешних показаний). Она принимает на вход кропы символов, выдавая вероятность чисел от 0 до 9 или признак не-цифры при пороге уверенности от 0.60. Решение пригодится разработчикам умных счётчиков, IoT-систем и автономных оффлайн-приложений для автоматического считывания показаний приборов.

Ключевые особенности

  • Лёгкая архитектура: содержит всего 10,123 параметра при размере ONNX-файла 42,410 байт.
  • Оффлайн-работа: полная автономность на CPU после разовой загрузки зависимостей и архива.
  • Гибридный подход: позволяет дочитывать те рамки, которые отклонил основной классификатор.
  • Удобная поставка: архив включает скрипты запуска, примеры изображений и JSON-разметку.

Что можно сделать

  • Автоматизация счетов: интегрировать модель в локальный пайплайн обработки фотографий счётчиков электроэнергии или воды.
  • Дообучение и проверка: протестировать точность распознавания на собственных датасетах с координатами цифр.
  • IoT-интеграция: использовать легковесный ONNX-файл в собственных программах на Python для edge-устройств.

Пример

curl -fL '[https://modelscope.cn/models/nano0412/inchwork-digitnet-v2-display-band-onnx/resolve/v0.1.0/digitnet-display-band-cpu-v0.1.0.zip](https://modelscope.cn/models/nano0412/inchwork-digitnet-v2-display-band-onnx/resolve/v0.1.0/digitnet-display-band-cpu-v0.1.0.zip)' -o digitnet.zip
python3.12 -m zipfile -e digitnet.zip .
cd E-009-P-digitnet-cpu
python3.12 -m venv .venv
.venv/bin/python -m pip install -r requirements.txt
.venv/bin/python digitnet_pilot.py examples/display.png examples/boxes.json
Подробнее• Архитектура: тензорный вход uint8 [N,1,32,24], где 0 — фон, а 255 — наиболее глубокие штрихи.
• Выход: вероятности [N,11] с порогом срабатывания по классу ≥0.60.
• Бенчмарки: на тестовой выборке из 904 рамки базовый DigitNet показал 737 верных ответов и 166 отказов (при комбинировании с резервным методом верных ответов — до 790).
• Требования: Python 3.12, работа на обычном CPU без необходимости GPU.
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.

    # kang0110/inchwork-digitnet-v2-display-band-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 kang0110/inchwork-digitnet-v2-display-band-onnx --local-dir ~/models/inchwork-digitnet-v2-display-band-onnx
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к inchwork-digitnet-v2-display-band-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.

  • 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 inchwork-digitnet-v2-display-band-onnx — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

kang0110/inchwork-digitnet-v2-display-band-onnx
Автор
kang0110
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

Другое

K-ALUAN

K-ALUAN
Другое

Subspace NLA

Subspace NLA