К содержимому
Другое

GeoSeg-PV-models

веса для поиска солнечных панелей на спутниковых снимках

2 мин чтенияобновлено

Коллекция обученных весов для сегментации (разделения изображения на объекты) отдельных фотоэлектрических модулей на спутниковых снимках сверхвысокого разрешения. Модели основаны на различных архитектурах компьютерного зрения (таких как UNetFormer, FT-UNetFormer, DCSwin и MANet) с поддержкой модуля тонкой оптимизации (FOM). На выходе инструмент выдает покадровые маски, определяющие расположение солнечных панелей относительно фона. Разработка пригодится исследователям, инженерам и специалистам по геопространственным данным для анализа солнечной энергетики и оценки потенциала крыш.

Ключевые особенности

  • 10 различных архитектур сетей с модулем FOM и без него.
  • Обучение на высококачественных спутниковых снимках Google с разрешением около 0.1 м.
  • Высокие показатели метрик F1 (до 0.952) и IoU (до 0.908) для лучших конфигураций.
  • Открытая лицензия Creative Commons Attribution 4.0 (CC BY 4.0) для коммерческого и некоммерческого использования.

Что можно сделать

  • Запустить инференс на спутниковых изображениях для автоматического обнаружения солнечных панелей.
  • Усреднять прогнозы нескольких моделей или сплитов для повышения точности сегментации.
  • Интегрировать веса в геопространственные пайплайны на базе репозитория GeoSeg-PV.

Пример

from huggingface_hub import hf_hub_download
from geoseg.pv import load_model, predict_proba

path = hf_hub_download('nikolukac/GeoSeg-PV-models', 'ftunetformer_fom/fold0.safetensors')
model = load_model(path, device='cuda')
pv = predict_proba(model, rgb, device='cuda') >= 0.5   # rgb: uint8 array (H, W, 3), any size
Подробнее• Метрики: лучшая конфигурация ftunetformer_fom показывает F1 0.952 ± 0.008 и IoU 0.908 ± 0.014.
• Требования: поддерживается работа на GPU через CUDA, входные данные — 8-битные RGB изображения, нормализованные по стандартам ImageNet.
• Детали обучения: оптимизатор AdamW с Lookahead, функции потерь soft cross-entropy и Dice.
• Объем: 85 файлов, суммарный размер 11.2 ГБ.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 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.

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

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

О модели

nikolukac/GeoSeg-PV-models
Автор
nikolukac
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

JevNavAgent

JevNavAgent