К содержимому
Другое

yolo-face-nano-fast-LeakyReLU

лёгкие детекторы лиц для NPU

2 мин чтения

Набор из четырёх сверхлёгких моделей семейства YOLO (yolov5nu, yolov8n, yolo11n и yolo26n) от автора wesjos для быстрого поиска лиц на кадрах размером 320×320 пикселей. Репозиторий представляет собой абляционное исследование на базе wesjos/yolo-face-nano-fast, где стандартную функцию активации SiLU полностью заменили на LeakyReLU(0.1) без изменения датасета и гиперпараметров. Автор честно отмечает, что на GPU эта замена не даёт прироста скорости и немного снижает точность, но делает веса пригодными для специализированных нейроускорителей (NPU) и INT8-пайплайнов, которые не поддерживают вычисление экспоненты exp(). Пригодится разработчикам встраиваемых систем, систем контроля доступа и мобильных приложений с жёсткими ограничениями по железу.

Ключевые особенности

  • Четыре архитектуры в одном месте: доступны готовые чекпоинты для YOLOv5nu, YOLOv8n, YOLO11n и YOLO26n весом от 5.20 до 6.18 МБ (от 2.53 до 3.14 млн параметров).
  • Дружелюбность к NPU и INT8: из графа моделей полностью вычищены слои SiLU, что позволяет запускать инференс на чипах без аппаратной поддержки exp().
  • Заточены под крупные планы: модели обучены под входное разрешение 320×320 и показывают полноту (recall) 0.998, когда лицо занимает больше 10% площади кадра.
  • Честные предупреждения: автор прямо указывает, что если платформа позволяет использовать обычный ReLU, лучше выбрать его — разница с LeakyReLU статистически незначима.

Что можно сделать

  • Встроить детекцию лиц в офлайн-терминалы контроля доступа, домофоны или мобильные камеры, где человек находится близко к объективу.
  • Использовать как быстрый этап предобработки для обрезки аватарок, фото на документы и крупных портретов перед подачей в модели распознавания.
  • Запустить на недорогих микрокомпьютерах или NPU без поддержки современных функций активации через библиотеку ultralytics.

Пример

from ultralytics import YOLO

model = YOLO("yolo26n-face320-leaky.pt")
results = model.predict("image.jpg", imgsz=320, conf=0.25, iou=0.5)
for b in results[0].boxes:
    print(b.xyxy.tolist(), float(b.conf))
ПодробнееМетрики на валидации (5 797 изображений): mAP50-95 составляет 0.9058 (yolov5nu), 0.9074 (yolov8n), 0.9074 (yolo11n) и 0.9064 (yolo26n) — в среднем на 0.28 п.п. ниже оригинала на SiLU.
Вычислительная сложность: от 1.35 GFLOPs у yolo26n до 2.19 GFLOPs у yolov8n при фиксированном входе 320×320.
Ограничения: модель плохо видит мелкие лица на дальнем плане (recall ~0.73 при размере лица менее 0.4% кадра) и не рассчитана на плотные толпы.
Нюанс интеграции: внутри весов единственный класс назван item, а не face (model.names == {0: 'item'}), учитывайте это при парсинге результатов.
Примеры
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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 · 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.

    # wesjos/yolo-face-nano-fast-LeakyReLU
    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 wesjos/yolo-face-nano-fast-LeakyReLU --local-dir ~/models/yolo-face-nano-fast-LeakyReLU
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к yolo-face-nano-fast-LeakyReLU
  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

Ultralytics/YOLO26

Новые посты про версии YOLO26 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

wesjos/yolo-face-nano-fast-LeakyReLU
Автор
wesjos
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