К содержимому
Другое

VLM-EDETR + NIG

детектор объектов с оценкой неопределённости

2 мин чтенияобновлено

Модель ищет на изображениях любые объекты по текстовому описанию (zero-shot object detection) и одновременно оценивает, насколько она уверена в классе и точных границах рамки. В основе лежит архитектура VLM-EDETR с замороженным энкодером CLIP RN50 и энкодером RT-DETR, дополненная головой Normal-Inverse-Gamma (NIG — распределение для оценки неопределённости регрессии). В отличие от обычных детекторов, модель возвращает не только координаты рамки и вероятность класса, но и стандартное отклонение для каждой координаты и показатель неопределённости классификации. Пригодится для задач компьютерного зрения, где важно отсеивать сомнительные срабатывания или анализировать точность локализации объектов.

Ключевые особенности

  • Двойная оценка неопределённости: голова Beta оценивает уверенность в классе, а общая голова NIG вычисляет разброс (std) для координат центра, ширины и высоты рамки.
  • Работа с открытым словарём: в веса вшиты текстовые эмбеддинги 1203 классов LVIS, но их можно заменить на CLIP-эмбеддинги любых пользовательских запросов.
  • Готовые веса в двух форматах: .safetensors для стандартной загрузки и .pth для встроенных инструментов репозитория edetr.
  • Интерактивное демо: в репозитории есть готовый ноутбук для Google Colab и скрипт gradio_demo.py для проверки на своих картинках.

Что можно сделать

  • Находить произвольные объекты на фотографиях по текстовым промптам без дообучения под конкретный набор классов.
  • Фильтровать ложные срабатывания в пайплайнах разметки или аналитики, используя метрики box_std и неопределённости классификации.
  • Запустить локальный интерфейс на Gradio или блокнот в Google Colab, чтобы визуально оценить доверительные интервалы рамок на своих изображениях.

Пример

model = VLMNIGEdetr(num_classes=1203, multi_scale=None)
model.load_state_dict(load_file("vlm_nig_edetr_lvis.safetensors"), strict=False)
model.eval()
prompts = ["elephant", "car"]
model.text_embeddings = build_text_embeddings(prompts, "RN50")
out = model(clip_transforms(train=False)(image).unsqueeze(0))
det = VLMPostProcessor(len(prompts), 100, score_type="uncertainty_weighted")(out, image_ids=[0], image_sizes=torch.tensor([[h, w]]))[0]
det.boxes, det.scores, det.extras["box_std"]
ПодробнееОбучение: база VLM-EDETR обучена на LVIS v1 по протоколу OV-LVIS, затем голова NIG дообучалась 12 эпох на LVIS v1 train при замороженных остальных весах.
Веса: опубликованы EMA-веса для инференса; веса CLIP загружаются отдельно от OpenAI.
Лицензия: Apache 2.0.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # thisistejaspandey/vlm-nig-edetr-lvis
    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 thisistejaspandey/vlm-nig-edetr-lvis --local-dir ~/models/vlm-nig-edetr-lvis
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к vlm-nig-edetr-lvis
  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 vlm-nig-edetr-lvis — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

thisistejaspandey/vlm-nig-edetr-lvis
Автор
thisistejaspandey
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

zils-lite-c5i5

zils-lite-c5i5