К содержимому
Другое

Классификатор поведения птиц в Эверглейдс

модель для аэрофотоснимков

1 мин чтенияобновлено

Эта модель определяет по аэрофотоснимкам из национального парка Эверглейдс, чем занята околоводная птица: сидит на гнезде или находится на ночевке (ростинге). Решение создано на базе библиотеки DeepForest (инструмент для анализа экосистем по снимкам) и использует архитектуру ImageNet ResNet-50 (нейросеть для компьютерного зрения). Она обрабатывает вырезанные фрагменты с птицами размером 100х100 пикселей, полученные с детектора. Модель пригодится орнитологам и экологам, изучающим колонии птиц по аэрофотоснимкам.

Ключевые особенности

  • Специализация на птицах Эверглейдс: обучена на данных учета белых ибисов, американских аистов и других видов.
  • Высокая точность: общая точность модели (Accuracy) достигает 0.93 на валидационном наборе.
  • Удобная интеграция: работает как дополнение (CropModel) в связке с детектором птиц DeepForest.
  • Сбалансированное обучение: использовались аугментации, балансировка классов и кроп-окна по 224 пикселя.

Что можно сделать

  • Классифицировать птиц на снимках: автоматически разделять обнаруженные особи на гнездящихся и отдыхающих.
  • Анализировать колонии: обрабатывать аэрофотоснимки заповедников для мониторинга популяций водно-болотных птиц.
  • Дополнять пайплайны экологов: использовать модель совместно с детектором weecology/everglades-bird-airplane.

Пример

from deepforest import main
from deepforest.model import CropModel

detector = main.deepforest()
detector.load_model("weecology/everglades-bird-airplane")
crop_model = CropModel.load_model("weecology/everglades-airplane-roosting-classifier")
crop_model.config["cropmodel"]["expand"] = 25
birds = detector.predict_tile(path="DSC_2226.JPG", patch_size=800)
ПодробнееМетрики: Accuracy 0.93, средний Recall по классам 0.86
Архитектура: DeepForest CropModel (ImageNet ResNet-50)
Ограничения: данные собраны с одного типа камер за один сезон 2022 года
Датасет: 4,853 птицы из 11 колоний Эверглейдс
Обсудить Telegram 0 23

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.1 GB · готовые файлы0.6 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 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 · F32 — 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.

    # weecology/everglades-airplane-roosting-classifier
    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 weecology/everglades-airplane-roosting-classifier --local-dir ~/models/everglades-airplane-roosting-classifier
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 everglades-airplane-roosting-classifier — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

weecology/everglades-airplane-roosting-classifier
Автор
weecology
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

230

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии