К содержимому
Компьютерное зрение

bangla-hw-lora

LoRA для построчного распознавания банглайского почерка

2 мин чтения

Это LoRA-адаптер от Rakesh Ranjan к Qwen3-VL-8B-Instruct, который переводит одну строку банглайской рукописи с изображения в Unicode-текст. Обучен через QLoRA на строчных кропах из датасета BN-HTR. Рассчитан именно на одну строку, а не на целые страницы.

Ключевые особенности

  • База — Qwen3-VL-8B-Instruct; адаптер QLoRA: 4-bit NF4, r=32, alpha=64, vision tower заморожен.
  • Работает с одним кропом строки, похожим на BN-HTR: медиана около 1870 × 146 px; выход нормализуется в NFC.
  • Не подходит для целых страниц и многострочных изображений: процессор ограничивает изображение примерно 0.8 MP, а страницы BN-HTR — около 6.5 MP.
  • Не обучен на печатном тексте, других письменностях и языках; для них лучше базовая модель с отключённым адаптером.
  • Лучшая валидационная потеря — 0.1923 на шаге 1200; в репозитории лежат веса именно из этого checkpoint.
  • Загрузка в 4-bit требует CUDA GPU примерно с 16 GB VRAM; обучение шло около 14 часов на RTX 4060 Ti 16 GB.

Пример

from PIL import Image
from common import load_model, load_processor
from evaluate import transcribe

proc = load_processor()
model = load_model(adapter="outputs/bangla-hw-lora").eval()
print(transcribe(model, proc, Image.open("line.png").convert("RGB")))
ПодробнееCER и WER на тесте пока не измерены — это главное ограничение оценки.
Лучший eval loss: 0.1923 на шаге 1200; после второй эпохи модель начала переобучаться.
Для 4-bit инференса нужно около 16 GB VRAM.
Лицензия не указана; у базовой модели — Apache-2.0, условия BN-HTR нужно проверить отдельно.
В BN-HTR нет writer ID, поэтому тестовые метрики для новых авторов могут быть оптимистичными.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 17 GB · готовые файлы19 GB
  • FP8 / INT8рекомендуемвеса 8.5 GB9.8 GB
  • 4-bitвеса 4.9 GB5.9 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 3080 · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью Qwen3-VL-8B-Instruct.

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.

    # mr-rakesh-ranja/bangla-hw-lora
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Qwen/Qwen3-VL-8B-Instruct --local-dir ~/models/Qwen3-VL-8B-Instruct
    hf download mr-rakesh-ranja/bangla-hw-lora --local-dir ~/models/bangla-hw-lora
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-VL-8B-Instruct
  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

Нужна базовая модель

Qwen/Qwen3-VL-8B-Instruct

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии Qwen3-VL-8B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

mr-rakesh-ranja/bangla-hw-lora
Автор
mr-rakesh-ranja
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии