К содержимому
3D

EcoVGGT

быстрая 3D-реконструкция из длинных видео

2 мин чтенияобновлено

Модель решает задачу восстановления трёхмерной сцены и положения камеры из длинных видеопоследовательностей. Это специализированные веса Alignment Refocusing (75.6M параметров в формате float32) для популярной 3D-модели facebook/VGGT-1B от автора Tequila7437. В основе подхода лежит метод Pinned Key Set: каждый кадр видео обращается к одному и тому же набору из 31 равномерно распределённого опорного кадра, а дообученные глобальные блоки с 10 по 15 отвечают за их точное выравнивание. В отличие от оригинальной VGGT, решение работает значительно быстрее на длинных записях и реже сбивается с траектории. Пригодится исследователям и разработчикам систем компьютерного зрения и 3D-сканирования помещений.

Ключевые особенности

  • Ускоряет обработку в 8.5 раза по сравнению с полной моделью VGGT.
  • Повышает долю успешных реконструкций на 500-кадровых видео из датасета ScanNet с 70% до 82%.
  • Заменяет только 108 тензоров (6 глобальных блоков) в базовой VGGT-1B, оставляя остальные веса нетронутыми.
  • Поддерживает как автоматическую загрузку через библиотеку ecovggt, так и ручное подключение к готовой архитектуре.

Что можно сделать

  • Восстанавливать 3D-геометрию комнат и крупных интерьеров по длинным видеопроходам.
  • Оценивать траекторию движения камеры и карты глубины на потоковых записях из 500 и более кадров без падения точности.
  • Использовать как лёгкий апгрейд для существующих исследовательских пайплайнов на базе VGGT-1B.

Пример

import ecovggt
from ecovggt.io import load_images

model = ecovggt.load_backbone("vggt")
images = load_images("path/to/frames")
rec = ecovggt.reconstruct(model, images.cuda(), "vggt", score=True)
Подробнее Бенчмарк ScanNet (видео по 500 кадров): 82% успешных реконструкций против 70% у оригинальной VGGT (критерий успеха — абсолютная ошибка траектории менее 0.2 м).
Обучение: 2 000 шагов AdamW (lr 1e-5) на 195 сканах ScanNet, заняло 3.6 часа на одной видеокарте A100.
Ограничения: лицензия CC BY-NC 4.0 и условия датасета ScanNet разрешают только некоммерческое исследовательское использование.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.8 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

    # Tequila7437/EcoVGGT
    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 Tequila7437/EcoVGGT --local-dir ~/models/EcoVGGT
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к EcoVGGT
  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

facebook/VGGT-1B

Новые посты про версии VGGT-1B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 2Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

Tequila7437/EcoVGGT
Автор
Tequila7437
Категория
3D
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

3D

Eco3R

Eco3R