К содержимому
Другое

SkeletonEQA weights

чекпоинты для оценки приседаний по скелету

2 мин чтенияобновлено

Это набор из 368 PyTorch-чекпоинтов (3,18 ГБ) для бинарной оценки качества приседаний: модель получает последовательность скелета из 18 суставов OpenPose в формате (N, 3, 100, 18, 1) и предсказывает 0 (неправильно) или 1 (правильно). Это не одна модель, а результаты бенчмарка Skeleton-Based Exercise Quality Assessment Under Domain Shift (MCHM '26) от MonicaVahd: девять скелетных GCN-архитектур, обученных по протоколам LOSO, single-/multi-source OOD и 5-fold CV на данных REHAB24-6, EC3D, UI-PRMD и Custom. Веса выложены отдельно, без примеров данных; многие OOD-чекпоинты слабо переносятся за пределы своей обучающей выборки. Пригодится исследователям action quality assessment и тем, кто сравнивает скелетные GCN для фитнес-анализа.

Ключевые особенности

  • 368 файлов, 3,18 ГБ: плоские PyTorch state dict без optimizer state и wrapper-ключей.
  • Девять архитектур: ST-GCN, CTR-GCN, InfoGCN, BlockGCN, HD-GCN, ProtoGCN, SkateFormer, HyperFormer, FreqMixFormer.
  • Протоколы: LOSO, single-source и multi-source OOD, 5-fold CV, а также аблации нормализации.
  • Только веса, без данных; лицензия CC BY-NC 4.0 — коммерческое использование ограничено.
  • Результаты exploratory: один запуск, seed 42; 77,8% из 198 OOD-экспериментов коллапсируют.

Что можно сделать

  • Воспроизвести таблицы бенчмарка и проверить перенос между REHAB24-6, EC3D и UI-PRMD.
  • Сравнить девять скелетных GCN на одной задаче — от ST-GCN до HyperFormer и FreqMixFormer.
  • Собрать исследовательский прототип, который по скелету помечает приседание как корректное или некорректное.
  • Изучить, как нормализация и состав обучающего пула влияют на устойчивость к domain shift.

Пример

import sys, torch
sys.path.insert(0, "FAIRCoachOOD")
from models.builders import build_hdgcn_model
model = build_hdgcn_model(device="cpu")
state = torch.load("hdgcn/B3/hdgcn_ood_b3_rehab24_to_ec3d.pth", map_location="cpu", weights_only=True)
model.load_state_dict(state, strict=True)
model.eval()
logits = model(torch.rand(4, 3, 100, 18, 1))
Подробнее77,8% OOD-экспериментов коллапсируют: 154 из 198 (141 полный, 13 частичный коллапс).
Один запуск на условие, seed 42; доверительных интервалов в статье нет.
Файлы сопоставлены со статьёй только по имени и дате, без хешей и логов.
Загрузка проверена для ST-GCN, BlockGCN, HD-GCN, ProtoGCN, SkateFormer и HyperFormer; CTR-GCN, InfoGCN и FreqMixFormer не тестировались.
Лицензия CC BY-NC 4.0; часть пулов включает Custom, обученный на нераспространяемых instructional videos.
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.

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

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

О модели

MonicaVahd/skeletoneqa-weights-nc
Автор
MonicaVahd
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