К содержимому
Другое

SPEED+ Pose Estimator

чекпоинты для исследования позы космических аппаратов

2 мин чтенияобновлено

Модель предназначена для оценки 6DoF (шести степеней свободы) позы космического аппарата Tango по одному изображению. Архитектура сочетает бакбоун ResNet-50 и полносвязную голову (MLP head), обученные исключительно на синтетических данных бенчмарка SPEED+. Набор весов включает 17 экспериментальных чекпоинтов с разными сидами и вариантами аугментации для изучения переноса с симулятора на реальные домены (Lightbox и Sunlamp). Инструмент ориентирован на исследователей, изучающих робастность моделей и проблему несоответствия симуляторов (simulator misspecification).

Ключевые особенности

  • Прямая регрессия позы 6DoF на основе ResNet-50 и MLP-головы.
  • Обучение исключительно на синтетическом датасете SPEED+ (28 000 изображений).
  • 17 экспериментальных чекпоинтов с различными сидами и настройками аугментации.
  • Воспроизводимость результатов для анализа симуляторно-реального разрыва (sim-to-real).

Что можно сделать

  • Запустить скрипт воспроизведения таблицы результатов для проверки исследования.
  • Протестировать инференс модели на изображениях космического аппарата Tango.
  • Сравнить точность моделей с замороженным бэкбоуном и обучаемым слоем 4.

Пример

import torch
from huggingface_hub import hf_hub_download
from PIL import Image
from speedplus_pose.model import SpacecraftPoseEstimator
from speedplus_pose.normalisation import TranslationNormaliser
from speedplus_pose.transforms import build_eval_transform

repo = "lkid08/spacecraft-pose-estimation"
hf_hub_download(repo, "config.json")
path = hf_hub_download(repo, "unfrozen_aug_seed42.pt")
checkpoint = torch.load(path, weights_only=False, map_location="cpu")

model = SpacecraftPoseEstimator()
model.load_state_dict(checkpoint["model_state_dict"])
model.eval()

normaliser = TranslationNormaliser(checkpoint["train_means"], checkpoint["train_stds"])
image = Image.open("img000001.jpg")
tensor = build_eval_transform()(image)

with torch.no_grad():
    output = model(tensor.unsqueeze(0))

translation = normaliser.remove(output[:, :3])
quaternion = output[:, 3:]
quaternion = quaternion / quaternion.norm(dim=1, keepdim=True)

print(translation, quaternion)
ПодробнееБенчмарки (ошибка ориентации E_R): бакбоун layer 4 с аугментацией показывает на Lightbox ошибку 0.987 рад.
Требования к железу: обучение проводилось в Google Colab и на Apple M5.
Ограничения: модель не предназначена для реального использования в космических полетах, точность на реальных данных падает, а уверенность модели остается высокой при ошибочных предсказаниях.
Детали обучения: входной размер 320x512 в оттенках серого, целевой объект — космический аппарат Tango.
Обсудить Telegram 1 18

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.

    # lkid08/spacecraft-pose-estimation
    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 lkid08/spacecraft-pose-estimation --local-dir ~/models/spacecraft-pose-estimation
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к spacecraft-pose-estimation
  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 spacecraft-pose-estimation — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

lkid08/spacecraft-pose-estimation
Автор
lkid08
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

181

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии