К содержимому
Другое

Caption Remover models

ONNX-модели для браузера

2 мин чтенияобновлено

Репозиторий содержит две популярные модели (LaMa для закрашивания масок и CRAFT для поиска текста), переведенные в формат ONNX для работы прямо в браузере через графическую карту с использованием ONNX Runtime Web и WebGPU. Веса моделей остались оригинальными, но инженеры оптимизировали их под ограничения браузерных сред — в частности, заменили FFT (быстрое преобразование Фурье) в LaMa на матричные умножения. Инструмент будет полезен разработчикам веб-приложений, создающим клиенты для удаления текста или редактирования изображений на стороне клиента.

Ключевые особенности

  • ONNX Runtime Web: модели запускаются прямо в браузере на видеокарте пользователя через WebGPU.
  • Оптимизация LaMa: переписано преобразование Фурье через матричные умножения для обхода ограничений браузерных GPU-рантаймов.
  • Две задачи: интеграция моделей для инпейнтинга (заполнения пропусков) и детектирования текста на изображениях.
  • Оригинальные веса: высокая точность оригинальных архитектур сохранена при конвертации.

Что можно сделать

  • Встроить в веб-приложение: создать браузерный инструмент для удаления водяных знаков и надписей с фото.
  • Инпейнтинг на клиенте: использовать lama-inpaint.onnx для закрашивания замаскированных областей прямо на устройстве пользователя.
  • Детекция текста: применять craft-text.onnx для поиска текстовых областей на изображениях в веб-интерфейсе.

Пример

Модели принимают тензоры изображений в формате float32 (RGB, значения от 0 до 1) и соответствующие маски для инпейнтинга или нормализованные данные для детекции текста.

Подробнее• Формат: ONNX
• Базовые модели: advimman/lama, clovaai/CRAFT-pytorch
• Лицензия: Apache 2.0 (lama), MIT (craft)
• Особенности: точность lama-inpaint совпадает с оригиналом в пределах 1e-5
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 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.

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

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

О модели

Labhgupta/caption-remover
Автор
Labhgupta
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