К содержимому
Другое

EfficientNetB4-lesi-kulit-ham10000

классификация кожных образований по дерматоскопии

2 мин чтенияобновлено

Узкоспециализированная модель компьютерного зрения от автора wkamdo для распознавания 7 типов пигментных поражений кожи (классы akiec, bcc, bkl, df, mel, nv, vasc). В основе лежит архитектура EfficientNetB4, дообученная методом transfer learning (переноса обучения) на известном медицинском датасете HAM10000 из 10 015 дерматоскопических снимков. Репозиторий создан по итогам дипломного исследования и включает два набора весов: базовый вариант (S1) и экспериментальный с балансировкой классов и focal loss (S5). Пригодится исследователям и студентам для академических проектов, экспериментов с дисбалансом классов и создания некоммерческих демо-инструментов.

Ключевые особенности

  • Два варианта весов: доступны чекпоинты для базового обучения без борьбы с дисбалансом (S1) и для схемы с class weight и focal loss (S5).
  • Строгая валидация: разбиение выборки проведено на уровне lesion_id, что исключает утечку снимков одного и того же образования между обучающей и тестовой частями.
  • Специфическая предобработка: перед подачей в сеть кадры сжимаются до 224×224 и проходят контрастирование CLAHE по каналу L в цветовом пространстве LAB.
  • Лицензия CC BY-NC 4.0: как производная от датасета HAM10000, модель разрешена строго для исследований, образования и некоммерческих демонстраций.

Что можно сделать

  • Изучить влияние дисбаланса классов: сравнить поведение базовых весов S1 и модифицированных S5 на редких категориях вроде df и vasc.
  • Собрать учебный демо-стенд: подключить веса в пайплайн на TensorFlow/Keras для анализа готовых дерматоскопических баз в образовательных целях.

Пример

import tensorflow as tf
from tensorflow.keras import layers

base = tf.keras.applications.EfficientNetB4(input_shape=(224, 224, 3), include_top=False, weights=None)
inp = tf.keras.Input((224, 224, 3))
x = layers.Dropout(0.5)(layers.GlobalAveragePooling2D()(base(inp, training=False)))
out = layers.Dense(7, activation="softmax", dtype="float32")(x)
model = tf.keras.Model(inp, out)
model.load_weights("weights/S5_seed1337_terbaik.weights.h5")
ПодробнееМетрики на тесте: S1 baseline — Macro F1 0,6890 и Accuracy 0,8116; S5 (class weight + focal loss) — Macro F1 0,6544 и Accuracy 0,8146.
Средний ROC-AUC по 9 сидам: 0,9553 для S1 и 0,9582 для S5.
Обучение: 45 прогонов (5 сценариев × 9 сидов), 1 155 эпох, 84 часа GPU.
Ограничения: работает только с дерматоскопическими фото (не с обычной камеры смартфона), разрешение 224×224, не является инструментом медицинской диагностики.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 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.

    # wkamdo/efficientnetb4-lesi-kulit-ham10000
    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 wkamdo/efficientnetb4-lesi-kulit-ham10000 --local-dir ~/models/efficientnetb4-lesi-kulit-ham10000
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к efficientnetb4-lesi-kulit-ham10000
  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 efficientnetb4-lesi-kulit-ham10000 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

wkamdo/efficientnetb4-lesi-kulit-ham10000
Автор
wkamdo
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

Другое

tinygroove

tinygroove
Другое

picacho-otp

picacho-otp