/ Модель
Каталог

Характеристики

Лицензия
Apache 2.0
Опубликована
23 сен 2026

Ссылки

Hugging Face

FCN-Unet-ONNX

Renesas
Сегментация изображенийИзображение → mask

FCN-UNet от Renesas — модель семантической сегментации городских изображений для инференса на R-Car X5H с NPX6 NPU.

0скачиваний за 30 дней0лайковвеса обновлены4 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

FCN-UNet — модель сегментации изображений, подготовленная Renesas для запуска на платформе R-Car X5H с ускорителем NPX6 NPU. Она основана на архитектуре U-Net с энкодером-декодером S5-D16, пропускными связями и декодирующей головой FCN; исходная модель взята из OpenMMLab MMSegmentation. Модель предназначена для семантической сегментации городских сцен из набора Cityscapes при размере входа 512 × 1024.

Репозиторий рассчитан на инференс через нативный runtime Renesas MWMX: входной артефакт ONNX в FP32 компилируется инструментарием, который автоматически выполняет преобразование для исполнения в INT8. README приводит измеренную задержку 26,83 мс на R-Car X5H при одном NPU и batch size 1, но точность для этой публикации не приведена. На момент описания ONNX-файл отмечен как ожидающий добавления, поэтому непосредственно доступность артефакта ограничена. Лицензия — Apache-2.0.

Сценарии применения

  • семантическая сегментация дорожных сцен Cityscapes
  • разметка классов объектов на изображениях с камер автомобиля
  • анализ сцен для автомобильных систем компьютерного зрения

Ограничения

Точность модели в карточке не опубликована, а ONNX-артефакт отмечен как ожидающий добавления. Для запуска на целевой платформе требуются R-Car X5H с NPX6 NPU и runtime Renesas MWMX.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FCN-UNet (ONNX) – Renesas X5H

Introduction

This repository hosts FCN-UNet, targeting the Renesas R-Car X5H platform for image-segmentation inference on the NPX6 NPU.

  • Model Architecture: U-Net (S5-D16 encoder-decoder) with an FCN decode head — a classic encoder-decoder segmentation architecture with skip connections between symmetric down/up-sampling stages
  • Source Model: open-mmlab/mmsegmentation
  • Task: image-segmentation (dataset: cityscapes)

Deployment Flow

The FP32 ONNX model is auto-cast to INT8 by the Renesas MWMX toolchain at compile time — no separate quantization step is required.

unet-s5-d16_fcn_4xb4-160k_cityscapes-512x1024.onnx (FP32)
        │
        └─▶  MWMX Runtime  ──▶  INT8 auto-cast  ──▶  NPX6 NPU

Provided Artifacts

ArtifactStatusNotes
FP32 (ONNX)⏳ Pendingfp32/unet-s5-d16_fcn_4xb4-160k_cityscapes-512x1024.onnx — to be added; will be auto-cast to INT8 by the MWMX toolchain at compile time (see Deployment Flow above); no separate INT8 file will be shipped

Performance

Measured on Renesas R-Car X5H via the MWMX runtime (APM80 ship-performance CI pipeline).

Benchmark configuration: Single NPU · Batch size: 1 · Input: 3 × 512 × 1024

AI CoresRuntimePrecisionDeviceLatency (ms)Type
12MWMX RuntimeINT8 (auto)X5H · 1× NPU · 12 Core · 850 MHz26.83Measured

Accuracy

TBD — not yet measured/published for this repo.

Runtime Details

MWMX Runtime

  • Engine: Renesas MWMX (Middleware MX) native inference runtime
  • Input format: FP32 ONNX (compiled by the MWMX toolchain)
  • NPU execution precision: INT8 (auto-cast by MWMX toolchain)
  • Execution target: NPX6-48K NPU on R-Car X5H

Prerequisites

To run inference on Renesas R-Car X5H, you need:

  1. Renesas R-Car X5H board with NPX6 NPU
  2. Renesas MWMX Runtime
  3. Hugging Face CLI to download the model

Download

hf download Renesas/FCN-Unet-ONNX --repo-type=model --include "fp32/*"

Benchmark Methodology

  • HIL runs: Hardware-in-the-loop — measured on physical R-Car X5H silicon via the MWMX runtime (metawaremx_runtime CI pipeline, "APM80" ship-performance target)
  • Precision: FP32 ONNX input; INT8 execution (auto-cast by MWMX)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
d811309

0 моделей

    Создать бенчмарк