К содержимому
Другое

TactoHand

оценка контакта и силы нажатия рук по RGB-видео

2 мин чтенияобновлено

Модель анализирует обычное RGB-видео и предсказывает для обеих рук сразу четыре параметра: факт контакта, близость к поверхности, нормализованную силу нажатия и видимость. В основе лежит архитектура ViT-L из семейства DINOv3 (визуальный энкодер от Meta для извлечения признаков из изображений). В отличие от классических пайплайнов анализа кистей, для инференса не требуются 3D-ассеты MANO или заранее подготовленные датасеты — достаточно только видеопотока. Пригодится разработчикам в робототехнике, VR/AR и исследователям взаимодействия человека с объектами.

Ключевые особенности

  • Построена на базе timm/vit_large_patch16_dinov3.lvd1689m (DINOv3 ViT-L).
  • Работает с входным разрешением 256 пикселей и окнами по 32 кадра с частотой 10 Hz.
  • Инференс на чистом RGB не требует MANO-моделей и сторонних датасетов.
  • В комплекте идут веса tactohand.ckpt (сохраняют и состояние обучения) и переносимый конфиг tactohand.yaml.

Что можно сделать

  • Использовать в робототехнике и обучении манипуляции для определения моментов касания и относительного усилия по видео с камеры.
  • Встроить в VR/AR-системы или трекинг рук для детекции физического контакта без датчиков давления.
  • Проводить разметку и анализ видеозаписей взаимодействия рук с предметами без 3D-реконструкции кисти.

Пример

Для запуска инференса скачайте вместе файлы tactohand.ckpt и tactohand.yaml, подайте на вход 32-кадровый фрагмент RGB-видео (256×256, 10 Hz) через скрипт из репозитория проекта и получите покадровые предсказания контакта, близости, видимости и нормализованной силы для левой и правой руки.

ПодробнееВыходные значения силы являются нормализованными предсказаниями, а не физическими величинами в ньютонах.
Код модели распространяется под лицензией MIT, однако веса backbone подпадают под лицензию DINOv3.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 5.4 GB · готовые файлы6.4 GB
  • FP8 / INT8рекомендуемвеса 2.7 GB3.4 GB
  • 4-bitвеса 1.5 GB2.2 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 5060 Ti 8GB

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.

    # zhenqis123/TactoHand
    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 zhenqis123/TactoHand --local-dir ~/models/TactoHand
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к TactoHand
  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 vit_large_patch16_dinov3.lvd1689m — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 12Все на Hugging Face

О модели

zhenqis123/TactoHand
Автор
zhenqis123
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

DriveTraj

DriveTraj