К содержимому
Аудио

BirdNET-Plus-V3.0

распознавание птиц и звуков природы в GPU-совместимом ONNX

2 мин чтенияобновлено

Акустический классификатор BirdNET+ V3.0 (от лаборатории биоакустики Корнеллского университета и партнёров), пересобранный автором tphakala в формат ONNX для запуска не только на CPU, но и на GPU и OpenVINO. Модель принимает 5-секундные отрезки сырого аудио (32 kHz) и определяет 11 725 классов видов животных и звуков, а также возвращает эмбеддинги (векторные представления звука). В стандартном экспорте BirdNET операция STFT мешает работе в CUDA, TensorRT и OpenVINO — здесь её заменили на эквивалентную Conv1d. В репозиторий также включены готовые региональные срезы (включая Восточную Европу), которые весят втрое меньше полной версии без потери точности по местным видам.

Ключевые особенности

  • Совместимость с GPU и OpenVINO: замена STFT на Conv1d убирает неподдерживаемые операции, позволяя использовать один файл модели на разных ускорителях.
  • Полная и региональные версии: полная модель на 11 725 классов занимает 361 МБ, а региональные тайлы (например, eastern-europe на 540 классов) весят около 110–180 МБ.
  • Численная идентичность: региональные модели отфильтрованы по BirdNET Geomodel v3.0.2, но для оставшихся видов выдают те же вероятности (расхождение меньше 1e-6), поэтому пороги срабатывания не нужно перенастраивать.
  • Удобная стыковка с Perch v2: входной буфер [batch, 160000] (5 секунд при 32 кГц) совпадает с Perch v2, что позволяет подавать один аудиопоток сразу в оба классификатора.

Что можно сделать

  • Запустить локальный мониторинг природы: подключить модель к BirdNET-Go или собственному скрипту на ONNX Runtime для автоматического определения птиц по микрофону.
  • Развернуть на слабом железе: взять компактный региональный срез для своей местности (в том числе для Восточной Европы, Центральной Европы или Северной Азии) на устройствах с малым объёмом RAM.
  • Искать похожие звуки: использовать выходной вектор embeddings [batch, 1280] для кластеризации и поиска по архивам полевых аудиозаписей.

Пример

Для запуска укажите в хосте (например, BirdNET-Go) путь к файлу модели и соответствующему файлу меток в формате Scientific name_Common name (например, full/birdnet-plus-v3.0-fp32-b1.onnx и full/birdnet-plus-v3.0-labels-b1.txt). На вход подаётся тензор [batch, 160000] (5 с, 32 kHz), на выходе модель возвращает вероятности с уже применённой сигмоидой predictions [batch, 11725] и вектор признаков embeddings [batch, 1280].

ПодробнееАрхитектура: EfficientNetV2-S backbone с трёхголовым классификатором (11 725 классов), лицензия Apache-2.0.
Формат: опубликованы файлы в точности FP32 (FP16 и int8-arm не включены; в OpenVINO и BirdNET-Go v3.0 используется FP32).
Ограничения: в текущем релизе автор тестировал сборку на ONNX Runtime CPU, отдельные бенчмарки для CUDA, TensorRT и OpenVINO не проводились.
Примеры
Обсудить Telegram 0

Запустится ли?

Запустится в FP32

Влезает без сжатия.

  • FP32веса 0.3 GB · готовые файлы0.9 GB
  • BF16веса 0.2 GB0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 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 · FP32 — 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.

    # tphakala/BirdNET-Plus-V3.0
    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 tphakala/BirdNET-Plus-V3.0 --local-dir ~/models/BirdNET-Plus-V3.0
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к BirdNET-Plus-V3.0
  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 BirdNET-Plus-V3.0 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

tphakala/BirdNET-Plus-V3.0
Автор
tphakala
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии