/ Модель

Характеристики

Лицензия
MIT
Библиотека
onnx
Опубликована
18 авг 2026

blobboards-descriptor

Эмбеддинги изображенийИзображение → embedding

Дескрипторная ONNX-модель BlobBoards.jl для сопоставления лог-полярных изображений блобов и поиска или отслеживания досок.

0скачиваний за 30 дней0лайковвеса обновлены18 авг 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

BlobBoards descriptor network — модель извлечения признаков изображений, разработанная для пакета BlobBoards.jl. Она сопоставляет обнаруженные блобы с галереей игровых или иных плоских досок и используется функциями find_boards и track_boards для поиска и отслеживания досок.

Модель принимает батчи из патчей 64×64 в градациях серого, предварительно канонизированных в лог-полярных координатах, и выдаёт L2-нормированный дескриптор для каждого патча. Нормализация выполняется независимо для каждого патча, поэтому размер батча влияет только на пропускную способность. Экспорт в ONNX не содержит операторов Pad; README указывает на выполнение всего графа через CUDA Execution Provider и задержку около 65 мкс на патч при батче 64.

Репозиторий содержит файл ONNX и архив с теми же весами для механизма артефактов Julia. Для воспроизводимости потребителям следует закреплять версию или commit: опубликованные теги неизменяемы, а загрузчик BlobBoards.jl отклоняет плавающие версии. Лицензия — MIT.

Сценарии применения

  • сопоставление обнаруженных блобов с галереей досок
  • поиск доски на изображении через сопоставление дескрипторов
  • отслеживание досок между кадрами
  • извлечение нормированных признаков из лог-полярных патчей изображений

Ограничения

Модель рассчитана на патчи 64×64 в градациях серого, уже канонизированные в лог-полярных координатах; README описывает применение для сопоставления блобов с досками. Для воспроизводимого получения весов требуется закреплённый тег версии или commit.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BlobBoards descriptor network

Log-polar patch descriptor used by BlobBoards.jl to match detected blobs against a board gallery (find_boards / track_boards).

Files

filesha256
track_logpolar_circ_s96_iter4.onnx6efc291ab94e812ce043d919ecc72ded7e4b16bd1c0c50b1492b1ce245bae8b9
track_logpolar_circ_s96_iter4.tar.gzf92e3566ea747941f7efbd96ca0d5b322fdb74d2fcf5fdf7c8d582282aeaac67

The .tar.gz wraps the same .onnx for Julia's Pkg artifact mechanism (git-tree-sha1 = 4018efc39186b1f7c287771d69da99817d73afd5); BlobBoards' Artifacts.toml pins it by commit URL + sha256.

Revisions

Consumers must pin a revision tag (or commit sha) — never main. BlobBoards' TOML loader refuses floating revisions by design.

tagnetwork
iter4RealFourthIteration log-polar s96 export (2026-08-10). Zero Pad nodes, so ONNXRuntime's CUDA EP places the whole graph on the GPU (~65 µs/patch at batch 64).

Newer weights are published as new files + a new tag; existing tags are immutable, so a pinned config keeps resolving bit-identical weights.

Usage

In a BlobBoards run config (configs/*.toml):

[descriptor]
model = { artifact = "track_logpolar_circ_s96_iter4" }

descriptor_network_path resolves the name through the package's Artifacts.toml catalog: the tarball is downloaded once into Julia's content-addressed artifact store and verified against its pinned sha256.

Details

  • Input: 64×64 log-polar-canonicalized grayscale patches, batched; the "s96" in the name is the 96 px outer sampling radius of the canonicalization, not the input resolution.
  • Output: L2-normalized descriptor per patch; each patch is normalized independently and all BatchNorms are folded, so batch size is purely a throughput knob (numerically exact at any batch).
  • Export carries no Pad operators — no depad rewrite needed for the ONNXRuntime CUDA execution provider.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
3a7e282

0 моделей