К содержимому
Другое

European Dashcam Vehicle Classifier

классификация машин по кадрам с регистраторов

2 мин чтенияобновлено

Модель на базе архитектуры ConvNeXt-Tiny (нейросеть для распознавания изображений), дообученная на кадрах с европейских видеорегистраторов. Она умеет определять марку и модель автомобиля по кропнутому изображению для 117 различных классов. Бэкбон модели предварительно обучен на огромном датасете из 460 тысяч автомобильных изображений. Инструмент будет полезен исследователям, разработчикам и энтузиастам, работающим с видеоаналитикой дорожного движения.

Ключевые особенности

  • 117 классов: охватывает популярные марки и модели автомобилей с достаточным количеством обучающих примеров.
  • Высокая точность: показывает top-1 точность 91.6% на тестовом сплите и 92.2% на аудированных человеком данных.
  • Эффективный бэкбон: в основе лежит легкая и производительная модель ConvNeXt-Tiny с разрешением 224 пикселя.
  • Качественное обучение: использовались взвешенная выборка классов и сглаживание меток (label smoothing) для борьбы с дисбалансом.

Что можно сделать

  • Анализ видео с регистратора: настроить автоматическое распознавание марок машин на записках с камер наблюдения.
  • Исследования движения: использовать модель в некоммерческих академических проектах по мониторингу транспорта.
  • Фильтрация данных: применять для разметки и сортировки больших массивов дорожных видеоматериалов.

Пример

import torch
from huggingface_hub import hf_hub_download
from torchvision import models, transforms
from PIL import Image

ckpt = torch.load(hf_hub_download("rdo1/euro-dashcam-vehicle-classifier-117", "model.pt"),
                  map_location="cpu", weights_only=False)
classes = ckpt["classes"]
model = models.convnext_tiny(weights=None)
model.classifier[2] = torch.nn.Linear(model.classifier[2].in_features, len(classes))
model.load_state_dict(ckpt["state_dict"]); model.eval()

tf = transforms.Compose([
    transforms.Resize(224, interpolation=transforms.InterpolationMode.BICUBIC),
    transforms.CenterCrop(224), transforms.ToTensor(),
    transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225]),
])
img = Image.open("crop.jpg").convert(
    "RGB")
with torch.inference_mode():
    p = model(tf(img).unsqueeze(0)).softmax(1)[0]
top = p.topk(5)
print([(classes[i], round(float(p[i]), 3)) for i in top.indices])
ПодробнееМетрики: top-1 0.916 и top-5 0.978 на фиксированном сплите; 0.922 top-1 на проверенных вручную кадрах.
Обучение: 30 эпох на 6 039 кадрах с фильтрацией меток через CLIP.
Ограничения: только для некоммерческих исследовательских целей по лицензии CC-BY-NC-4.0.
Входные данные: изображения с одним автомобилем размером около 100–400 пикселей по короткой стороне.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # rdo1/euro-dashcam-vehicle-classifier-117
    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 rdo1/euro-dashcam-vehicle-classifier-117 --local-dir ~/models/euro-dashcam-vehicle-classifier-117
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к euro-dashcam-vehicle-classifier-117
  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 euro-dashcam-vehicle-classifier-117 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

rdo1/euro-dashcam-vehicle-classifier-117
Автор
rdo1
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