К содержимому
Другое

RankSEG Benchmark Models

сегментация для воспроизводимых бенчмарков

2 мин чтенияобновлено

Это набор готовых моделей сегментации изображений: они размечают пиксели на естественных снимках и КТ-срезах. Для обычных изображений используется UPerNet с backbone ConvNeXt-B, для КТ — DeepLabV3+ с ResNet-50d. В репозитории лежат fp32-веса и config.json, а modeling.py повторяет вывод оригинального кода обучения. Набор сделан ZixunWang и применяется в статьях RankSEG-RMA и RankSEG-DEP; он пригодится исследователям, которым нужны воспроизводимые бенчмарки сегментации.

Ключевые особенности

  • Две архитектуры: UPerNet/ConvNeXt-B для VOC, Cityscapes, ADE20K и DeepGlobe; DeepLabV3+/ResNet-50d для KiTS и LiTS.
  • Пять фолдов для КТ-датасетов KiTS и LiTS — можно проверять кросс-валидацию.
  • В каждом каталоге только fp32-веса и config.json без состояний optimizer и scheduler.
  • modeling.py самодостаточен и воспроизводит вывод исходного training-кода.
  • Лицензия CC BY-NC-SA 4.0: только некоммерческие исследования, не для клинического применения.

Что можно сделать

  • Прогнать стандартные датасеты и сравнить Dice/IoU с опубликованными цифрами.
  • Подключить model.predict для sliding-window инференса на своих изображениях.
  • Использовать веса как отправную точку в исследовании вероятностей сегментации RankSEG.
  • Проверить пайплайн на естественных изображениях и КТ в одном наборе.

Пример

from huggingface_hub import hf_hub_download
import importlib.util
path = hf_hub_download("ZixunWang/rankseg-benchmark-models", "modeling.py")
spec = importlib.util.spec_from_file_location("modeling", path)
modeling = importlib.util.module_from_spec(spec)
spec.loader.exec_module(modeling)
model, config = modeling.from_pretrained("lits/fold0", device="cuda")
probs = model.predict(image)
ПодробнееPASCAL VOC: Dice 91.03 / IoU 87.82; Cityscapes: 82.61 / 75.66; ADE20K: 63.98 / 56.94.
KiTS: 61.16 / 54.18; LiTS: 47.38 / 38.34; DeepGlobe: 68.60 / 59.49.
Нужны torch, timm, safetensors и huggingface_hub; протестировано с torch 2.4 и timm 1.0.14.
Веса только для некоммерческих исследований; условия исходных датасетов могут быть строже.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы1.0 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.

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

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

О модели

ZixunWang/rankseg-benchmark-models
Автор
ZixunWang
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

PIM

PIM
Другое

EGFR pIC50

EGFR pIC50