К содержимому
Другое

hybrid-radiograph-feature-fusion

гибридные модели для анализа рентгенограмм грудной клетки

1 мин чтенияобновлено

Набор предобученных PyTorch-чекпоинтов для классификации медицинских снимков, объединяющий современные нейросетевые архитектуры (ConvNeXt-Tiny и Swin Transformer-T) с классическими компьютерными дескрипторами (HOG, LBP, Gabor и SIFT-BoVW). Модель решает задачу бинарной классификации рентгенограмм лёгких на основе датасета Kermany Pediatric Chest X-Ray Cohort. Гибридный подход позволяет повысить точность за счёт совместного извлечения глубоких и текстурных признаков изображения. Решение будет полезно исследователям и разработчикам в области медицинской диагностической визуализации.

Ключевые особенности

  • Объединение нейросетевых бэкбонов (ConvNeXt-Tiny и Swin-T) с классическими дескрипторами изображений
  • Предобученные веса для различных стратегий слияния признаков (конкатенация, Gated Cross-Modal, Token Attention)
  • Протестировано на датасете детских рентгенограмм грудной клетки (225 тестовых изображений)
  • Полная совместимость с экосистемой PyTorch и утилитами Hugging Face Hub

Что можно сделать

  • Интегрировать предобученные веса в пайплайны автоматизированного анализа рентгенограмм
  • Провести сравнительный анализ эффективности глубоких и гибридных признаков в медицинском CV
  • Запустить инференс нужного чекпоинта с помощью предоставленного скрипта загрузки

Пример

import torch
from huggingface_hub import hf_hub_download
from src.models import HybridMedicalClassifier

ckpt_path = hf_hub_download(
    repo_id="subhan1501/hybrid-radiograph-feature-fusion",
    filename="exp6_swin_sift.pth",
)

model = HybridMedicalClassifier(
    backbone_name="swin_t",
    fusion_type="token_attention",
    hand_dim=208,
    embed_dim=256,
    num_classes=2,
    pretrained=False,
)
model.load_state_dict(torch.load(ckpt_path, map_location="cpu"))
model.eval()
Подробнее• Точность на тесте: до 94.22% (exp1_convnext_baseline.pth)
• Датасет: Kermany Pediatric Chest X-Ray Cohort (1500 снимков: 70% Train / 15% Val / 15% Test)
• Предобработка: Symmetric CLAHE (clipLimit=2.0, tileGrid=(8, 8))
• Лицензия: MIT License
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.

    # subhan1501/hybrid-radiograph-feature-fusion
    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 subhan1501/hybrid-radiograph-feature-fusion --local-dir ~/models/hybrid-radiograph-feature-fusion
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hybrid-radiograph-feature-fusion
  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 hybrid-radiograph-feature-fusion — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

subhan1501/hybrid-radiograph-feature-fusion
Автор
subhan1501
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