К содержимому
Компьютерное зрение

omr-monophonic

распознавание одноголосных нот по картинке

2 мин чтенияобновлено

LoRA-адаптер (небольшая надстройка над базовой моделью) для задачи OMR (optical music recognition — оптического распознавания нот). На вход подаётся изображение одноголосной партитуры, а на выходе модель выдаёт строку семантических токенов в формате PrIMuS через пробел. Адаптер создан пользователем nzhao721 поверх компактной мультимодальной модели Qwen/Qwen2-VL-2B-Instruct и подключается через библиотеку PEFT. В отличие от базовой VLM общего назначения, эта версия заточена строго под транскрипцию нотного текста — пригодится разработчикам музыкальных тренажёров, сервисов для сольфеджио и инструментов символьной обработки музыки.

Ключевые особенности

  • Понимает разные типы снимков: чистые цифровые ноты, рукописные записи и фото с искажениями камеры.
  • Работает поверх лёгкой 2B-модели Qwen2-VL-2B-Instruct в точности BF16 с рангом LoRA 32.
  • Показывает высокую посимвольную точность: в среднем 97.91% (и 100% на чистых цифровых примерах).
  • Выдаёт результат напрямую в семантической нотации PrIMuS без лишнего текста и разметки.

Что можно сделать

  • Сделать помощника для музыкальных диктантов и проверки упражнений по теории музыки и развитию слуха.
  • Встроить распознавание фотографий нотных тетрадей и распечаток в пайплайн символьной обработки музыки.
  • Автоматизировать оцифровку одноголосных мелодий для последующего анализа или перевода в другие форматы.

Пример

from PIL import Image
from peft import PeftModel
from transformers import AutoProcessor, Qwen2VLForConditionalGeneration

base = Qwen2VLForConditionalGeneration.from_pretrained("Qwen/Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map="auto")
model = PeftModel.from_pretrained(base, "nzhao721/omr-monophonic").eval()
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct")
image = Image.open("score.png").convert("RGB")
Подробнее Метрики (100 тестовых изображений): средняя точность токенов 97.91%, точное совпадение (Exact match) — 70.0% (на рукописных фото manual_handwritten — 93.16% и 15%).
Обучение: ~139 тыс. пар «изображение — токены PrIMuS» (50% рукописные, 25% цифровые, 25% с искажениями камеры) на NVIDIA A100 (40/80 ГБ), 2.07 эпохи.
Ограничения: только одноголосные мелодии (полифония и оркестровые партитуры не поддерживаются), формат вывода — только PrIMuS (не MusicXML, MEI или LilyPond).
Лицензия адаптера: Apache 2.0 (для базовой модели действуют её собственные условия).
Обсудить Telegram 0 29

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.8 GB · готовые файлы5.8 GB
  • FP8 / INT8рекомендуемвеса 2.7 GB3.5 GB
  • 4-bitвеса 1.8 GB2.5 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.

Это LoRA: вместе с базовой моделью Qwen2-VL-2B-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.

    # nzhao721/omr-monophonic
    # ===== 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/Qwen2-VL-2B-Instruct --local-dir ~/models/Qwen2-VL-2B-Instruct
    hf download nzhao721/omr-monophonic --local-dir ~/models/omr-monophonic
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen2-VL-2B-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/Qwen2-VL-2B-Instruct

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

  1. Qwen2-VL-2Bоснова семьи
  2. Qwen2-VL-2B-Instruct
  3. omr-monophonic

Новые посты про версии Qwen2-VL-2B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 4Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

nzhao721/omr-monophonic
Автор
nzhao721
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

290

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Adjudex 27B v5

Adjudex 27B v5
Языковые модели

nari-decision-9b

nari-decision-9b