К содержимому
Другое

Perch 2.0 tract

классификатор звуков природы для браузера

2 мин чтенияобновлено

Эта сборка позволяет запускать Google Perch 2.0 через tract — ONNX-движок для браузера и десктопных приложений. Модель берёт 5 секунд аудио и относит запись к одному из 14 795 классов: птицы, лягушки, насекомые, млекопитающие и другие звуковые события. Автор pengowray разделил исходную модель на embedding-часть и классификатор, а также перевёл голову в int8. Сборка используется в Oversample и пригодится разработчикам офлайн-распознавания звуков.

Ключевые особенности

  • Два файла: embedding ONNX около 44,7 МБ и int8-голова около 91,4 МБ.
  • Вход — 160 000 сэмплов, то есть 5 секунд при 32 кГц; выходы embedding на 1 536 значений и spatial_embedding 16×4×1 536.
  • Классификатор хранит прототипы в int8, по одной шкале на прототип, и покрывает 14 795 классов.
  • Подготовлено под tract 0.23 с batch size 1: batch-norm свёрнут в веса и смещения свёрток.
  • На 383 из 384 окон верхний класс совпал с оригиналом, логиты отличаются не более чем на 0.031.

Что можно сделать

  • Сделать веб-демо: записать 5 секунд звука и показать вероятные классы птиц, лягушек, насекомых или млекопитающих.
  • Встроить модель в десктопное приложение на tract для офлайн-анализа полевых записей.
  • Использовать embedding как признак д��я поиска похожих звуков или кластеризации записей.
  • Собрать сервис, который сортирует аудио по видам, взяв названия классов из labels.csv.

Пример

Берём 5-секундный фрагмент записи с частотой 32 кГц, подаём его в perch_v2_embed.tract.onnx, получаем embedding и spatial_embedding, затем int8-голова возвращает логиты для 14 795 классов. Названия классов лежат отдельно — в assets/labels.csv из cgeorgiaw/Perch.

ПодробнееВход: 160 000 сэмплов, или 5 секунд при 32 кГц.
Файлы: около 44,7 МБ и 91,4 МБ; классы нужно брать из отдельного labels.csv.
Совпадение с оригиналом: 383 из 384 окон, логиты в пределах 0.031.
Лицензия Apache 2.0; для загрузки нужен tract 0.23 с batch size 1.
Обсудить Telegram 0

Запустится ли?

Запустится в INT8

Влезает без сжатия.

  • INT8рекомендуемвеса 0.1 GB · готовые файлы0.6 GB
  • 4-bitвеса 0.0 GB0.6 GB

Совет: берите 8-bit.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: INT8 — 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.

    # pengowray/perch-v2-tract
    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 pengowray/perch-v2-tract --local-dir ~/models/perch-v2-tract
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к perch-v2-tract
  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

Дообучение модели

google/bird-vocalization-classifier

Новые посты про версии bird-vocalization-classifier — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

pengowray/perch-v2-tract
Автор
pengowray
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

kcat–Km v3

kcat–Km v3