К содержимому
Другое

LocateAnything-3B

точное определение объектов на изображениях по тексту

2 мин чтенияобновлено

Модель для задачи object-detection (обнаружение объектов) решает задачу поиска конкретных элементов на картинке по текстовому запросу. Она принимает изображение и текстовую инструкцию, после чего возвращает координаты найденных областей в специальном формате. Разработка основана на репликации модели от nvidia и использует библиотеку transformers с размером около 3.83 миллиардов параметров. Инструмент пригодится разработчикам и исследователям, которым нужно автоматически находить объекты, лица или детали на визуальных материалах с помощью текстовых подсказок.

Ключевые особенности

  • Полная совместимость с современными версиями библиотеки transformers
  • Поддержка текстовых запросов на поиск произвольных объектов на изображении
  • Вывод координат найденных областей в структурированном виде
  • Работа с изображениями через стандартные процессор и модель из экосистемы Hugging Face

Что можно сделать

  • Интегрировать модель в пайплайны компьютерного зрения для разметки и поиска объектов
  • Применить для автоматического поиска конкретных деталей или частей на пользовательских фотографиях
  • Использовать в качестве основы для визуальных ассистентов и мультимодальных систем

Пример

import argparse
from pathlib import Path

import torch
from PIL import Image
from transformers import AutoModel, AutoProcessor

repo_id = 'SD-Next/LocateAnything-3B'
processor = AutoProcessor.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModel.from_pretrained(repo_id, trust_remote_code=True, torch_dtype="auto", device_map="auto").eval()

image = Image.open("image.png").convert("RGB")
messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": "locate hands and face"}
    ]
}]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(images=image, text=text, return_tensors="pt").to(model.device)

with torch.inference_mode():
    output = model.generate(**inputs, max_new_tokens=128, do_sample=False)
decoded = processor.batch_decode(output[:, inputs["input_ids"].shape[1]:], skip_special_tokens=False)
print(decoded[0])
ПодробнееЗадача: object-detection
Базовая модель: nvidia/LocateAnything-3B
Объем параметров: 3.83B
Библиотека: transformers
Обсудить Telegram 0 41

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 7.1 GB · готовые файлы8.3 GB
  • FP8 / INT8рекомендуемвеса 3.6 GB4.4 GB
  • 4-bitвеса 2.0 GB2.7 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 3080

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.

    # SD-Next/LocateAnything-3B
    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 SD-Next/LocateAnything-3B --local-dir ~/models/LocateAnything-3B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LocateAnything-3B
  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

nvidia/LocateAnything-3B
  1. Qwen2.5-3Bоснова семьи
  2. Qwen2.5-3B-Instruct
  3. LocateAnything-3B
  4. LocateAnything-3B

Новые посты про версии Qwen2.5-3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 3Все на Hugging Face

О модели

SD-Next/LocateAnything-3B
Автор
SD-Next
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

410

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

ToonOut

ToonOut