К содержимому
Другое

LIANet / LIANet-MR

нейросеть для спутниковых снимков Sentinel-2

2 мин чтенияобновлено

Набор предобученных и дообученных чекпоинтов модели LIANet-MR от исследователя MojganMadadikhaljan (развитие работы Location Is All You Need с воркшопа CVPR 2026). Модель строит непрерывные пространственно-временные нейронные представления (INR — представление данных в виде непрерывной функции координат и времени) для 12-канальных спутниковых снимков Sentinel-2. В мультирегиональной версии у каждого географического региона свои многоуровневые хеш-таблицы, но общий CNN-декодер, благодаря чему классификатор, обученный на разметке одних регионов, можно применять к другим регионам этой же модели.

Ключевые особенности

  • Мультирегиональная архитектура: раздельные хеш-таблицы для регионов (13 уровней, размер таблицы 219, размерность признаков 128) с общим свёрточным декодером.
  • Работа со временем и пространством: использует обучаемое кодирование времени Фурье и реконструирует патчи 128×128 пикселей (разрешение 10 м) по координатам и дате в днях с 1 января 2015 года.
  • Готовые предобученные веса: включены модели для задач детекции гарей (BurnScars) и сегментации сельхозкультур (PASTIS) — как однорегиональные, так и совместные или последовательные.
  • Бейзлайны для сравнения: в репозитории лежат не только головы LIANet, но и полные веса сравнительных моделей UNet и Micro-UNet.

Что можно сделать

  • Реконструировать спутниковые снимки: восстанавливать 12-канальные патчи Sentinel-2 для заданного региона, координат и конкретной даты.
  • Переносить разметку между регионами: дообучать лёгкую задачу-голову (task head) на размеченных тайлах одного региона и применять её к другим регионам из той же мультирегиональной модели.
  • Воспроизвести эксперименты по Earth Observation: сравнить непрерывные представления LIANet-MR с классическими UNet и Micro-UNet на датасетах BurnScars и PASTIS.

Пример

from models.downstream import load_pretrained_lianet
model, config = load_pretrained_lianet("released/pretraining/burnscars_joint_2regions")
# реконструкция патча 128 x 128 региона 0 в пикселе (x, y) на дату (дней с 2015-01-01)
recon = model(days, x, y, region_idx=0)
Подробнее Формат весов: model.safetensors (предобучение и бейзлайны) и head.safetensors (замороженная база + обученная голова).
Обучение: от 300 до 854 эпох в зависимости от конфигурации (например, 854 эпохи для pastis_joint_4regions и 800 для burnscars_joint_2regions).
Классы PASTIS: мультирегиональные головы предсказывают 20 классов (в коде версии v5.0.0 используется 19 классов с игнорированием класса void).
Лицензия весов и кода: MIT (данные распространяются под собственными лицензиями).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.1 GB · готовые файлы1.7 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.1 GB
  • 4-bitвеса 0.3 GB0.8 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.

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

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

О модели

MojganMadadikhaljan/LIANet
Автор
MojganMadadikhaljan
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

ReQuest

ReQuest