Характеристики

Лицензия: BSD 3-Clause
Библиотека: pytorch
Опубликована: 25 фев 2024

Ссылки

FFNet-78S

Сегментация изображенийИзображение → mask3 профессии

FFNet-78S — модель семантической сегментации изображений, разработанная Qualcomm и оптимизированная для устройств на базе Qualcomm.

1 962скачиваний за 30 дней1лайквеса обновлены7 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

Она анализирует уличные сцены и присваивает каждому пикселю один из 19 классов, включая дорогу, тротуар и пешеходов. Модель обучена на наборе данных Cityscapes и предназначена для задач компьютерного зрения на мобильных, периферийных и других совместимых устройствах.

Модель принимает изображения размером 2048×1024, содержит 27,5 млн параметров и имеет размер около 105 МБ в формате float либо 26,7 МБ в квантованном формате w8a8. Доступны предварительно экспортированные варианты ONNX, QNN_DLC и TFLITE, рассчитанные на использование с Qualcomm AI Runtime и Qualcomm NPU. Для ONNX заявлены варианты с плавающей точностью и w8a8; также поддерживается экспорт с пользовательскими весами, формами входа и конфигурациями целевого устройства.

К сильным сторонам относятся специализированная оптимизация под аппаратное ускорение Qualcomm, поддержка квантованной версии с меньшим размером и высокой скоростью инференса, а также готовые артефакты для развертывания. Ограничение модели — узкая специализация на семантической сегментации уличных сцен и классах Cityscapes; сведения о качестве на других типах изображений и языковых возможностях неприменимы. Модель распространяется по лицензии BSD 3-Clause.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FFNet-78S: Optimized for Qualcomm Devices

FFNet-78S is a "fuss-free network" that segments street scene images with per-pixel classes like road, sidewalk, and pedestrian. Trained on the Cityscapes dataset.

This is based on the implementation of FFNet-78S found here. This repository contains pre-exported model files optimized for Qualcomm® devices. You can use the Qualcomm® AI Hub Models library to export with custom configurations. More details on model performance across various devices, can be found here.

Qualcomm AI Hub Models uses Qualcomm AI Hub Workbench to compile, profile, and evaluate this model. Sign up to run these models on a hosted Qualcomm® device.

Getting Started

There are two ways to deploy this model on your device:

Option 1: Download Pre-Exported Models

Below are pre-exported model assets ready for deployment.

Runtime	Precision	Chipset	SDK Versions	Download
ONNX	float	Universal	QAIRT 2.50, ONNX Runtime 1.30.0	Download
ONNX	w8a8	Universal	QAIRT 2.50, ONNX Runtime 1.30.0	Download
QNN_DLC	float	Universal	QAIRT 2.50	Download
QNN_DLC	w8a8	Universal	QAIRT 2.50	Download
TFLITE	float	Universal	QAIRT 2.50	Download
TFLITE	w8a8	Universal	QAIRT 2.50	Download

For more device-specific assets and performance metrics, visit FFNet-78S on Qualcomm® AI Hub.

Option 2: Export with Custom Configurations

Use the Qualcomm® AI Hub Models Python library to compile and export the model with your own:

Custom weights (e.g., fine-tuned checkpoints)
Custom input shapes
Target device and runtime configurations

This option is ideal if you need to customize the model beyond the default configuration provided here.

See our repository for FFNet-78S on GitHub for usage instructions.

Model Details

Model Type: Model_use_case.semantic_segmentation

Model Stats:

Input resolution: 2048x1024
Model checkpoint: ffnet78S_dBBB_cityscapes_state_dict_quarts
Model size (float): 105 MB
Model size (w8a8): 26.7 MB
Number of output classes: 19
Number of parameters: 27.5M

Performance Summary

Model	Runtime	Precision	Chipset	Inference Time (ms)	Peak Memory Range (MB)	Primary Compute Unit
FFNet-78S	ONNX	float	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	16.22 ms	5 - 220 MB	NPU
FFNet-78S	ONNX	float	Snapdragon® 8 Elite For Galaxy Mobile	20.831 ms	6 - 196 MB	NPU
FFNet-78S	ONNX	float	Snapdragon® X2 Elite	17.501 ms	24 - 24 MB	NPU
FFNet-78S	ONNX	float	Snapdragon® X Elite	36.262 ms	31 - 31 MB	NPU
FFNet-78S	ONNX	float	Snapdragon® 8 Gen 3 Mobile	25.923 ms	13 - 296 MB	NPU
FFNet-78S	ONNX	float	Snapdragon® 8 Gen 1 Mobile	59.782 ms	0 - 272 MB	NPU
FFNet-78S	ONNX	float	Qualcomm® Dragonwing™ IQ-8275	57.611 ms	24 - 52 MB	NPU
FFNet-78S	ONNX	float	Qualcomm® Dragonwing™ QCS8550 (Proxy)	37.14 ms	24 - 54 MB	NPU
FFNet-78S	ONNX	float	Qualcomm® QCS8450	59.782 ms	0 - 272 MB	NPU
FFNet-78S	ONNX	float	Qualcomm® Dragonwing™ IQ-9075	55.024 ms	24 - 51 MB	NPU
FFNet-78S	ONNX	float	Qualcomm® Dragonwing™ IQ-X7181	36.262 ms	31 - 31 MB	NPU
FFNet-78S	ONNX	float	Qualcomm® Dragonwing™ Q-8750	20.831 ms	6 - 196 MB	NPU
FFNet-78S	ONNX	w8a8	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	4.247 ms	2 - 210 MB	NPU
FFNet-78S	ONNX	w8a8	Snapdragon® 8 Elite For Galaxy Mobile	5.731 ms	1 - 208 MB	NPU
FFNet-78S	ONNX	w8a8	Snapdragon® X2 Elite	4.729 ms	7 - 7 MB	NPU
FFNet-78S	ONNX	w8a8	Snapdragon® X Elite	12.025 ms	22 - 22 MB	NPU
FFNet-78S	ONNX	w8a8	Snapdragon® 8 Gen 3 Mobile	7.585 ms	9 - 291 MB	NPU
FFNet-78S	ONNX	w8a8	Snapdragon® 8 Gen 1 Mobile	16.285 ms	7 - 291 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ QCS6490	49.994 ms	6 - 9 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ IQ-8275	11.336 ms	6 - 10 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ QCS8550 (Proxy)	11.385 ms	6 - 10 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® QCS8450	16.285 ms	7 - 291 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ IQ-9075	12.767 ms	6 - 9 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ IQ-X7181	12.025 ms	22 - 22 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ Q-6690	142.371 ms	5 - 230 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ Q-7790	16.38 ms	7 - 237 MB	NPU
FFNet-78S	ONNX	w8a8	Qualcomm® Dragonwing™ Q-8750	5.731 ms	1 - 208 MB	NPU
FFNet-78S	ONNX	w8a8	Snapdragon® 7 Gen 4 Mobile	16.38 ms	7 - 237 MB	NPU
FFNet-78S	QNN_DLC	float	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	15.296 ms	3 - 231 MB	NPU
FFNet-78S	QNN_DLC	float	Snapdragon® 8 Elite For Galaxy Mobile	21.931 ms	7 - 223 MB	NPU
FFNet-78S	QNN_DLC	float	Snapdragon® X2 Elite	17.992 ms	24 - 24 MB	NPU
FFNet-78S	QNN_DLC	float	Snapdragon® X Elite	43.606 ms	24 - 24 MB	NPU
FFNet-78S	QNN_DLC	float	Snapdragon® 8 Gen 3 Mobile	29.431 ms	16 - 298 MB	NPU
FFNet-78S	QNN_DLC	float	Snapdragon® 8 Gen 1 Mobile	60.678 ms	25 - 298 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® Dragonwing™ IQ-8275	62.415 ms	24 - 53 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® Dragonwing™ QCS8550 (Proxy)	42.215 ms	24 - 355 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® SA8775P	60.693 ms	24 - 221 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® SA8650P	60.693 ms	24 - 221 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® SA8255P	60.693 ms	24 - 221 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® QCS8450	60.678 ms	25 - 298 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® Dragonwing™ IQ-9075	61.509 ms	24 - 53 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® Dragonwing™ IQ-X7181	43.606 ms	24 - 24 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® Dragonwing™ Q-8750	21.931 ms	7 - 223 MB	NPU
FFNet-78S	QNN_DLC	float	Qualcomm® SA8295P	66.246 ms	24 - 217 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	6.062 ms	6 - 240 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Snapdragon® 8 Elite For Galaxy Mobile	8.169 ms	6 - 226 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Snapdragon® X2 Elite	7.03 ms	6 - 6 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Snapdragon® X Elite	17.624 ms	6 - 6 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Snapdragon® 8 Gen 3 Mobile	11.724 ms	6 - 282 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Snapdragon® 8 Gen 1 Mobile	19.736 ms	6 - 282 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ QCS6490	53.223 ms	6 - 15 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ IQ-8275	16.579 ms	3 - 12 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ QCS8550 (Proxy)	16.615 ms	6 - 8 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® SA8775P	17.26 ms	6 - 215 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® SA8650P	17.26 ms	6 - 215 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® SA8255P	17.26 ms	6 - 215 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® QCS8450	19.736 ms	6 - 282 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ IQ-9075	17.688 ms	6 - 15 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ IQ-X7181	17.624 ms	6 - 6 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ Q-6690	143.719 ms	6 - 220 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ Q-7790	21.891 ms	6 - 233 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® Dragonwing™ Q-8750	8.169 ms	6 - 226 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® SA7255P	38.988 ms	6 - 214 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Qualcomm® SA8295P	23.28 ms	6 - 218 MB	NPU
FFNet-78S	QNN_DLC	w8a8	Snapdragon® 7 Gen 4 Mobile	21.891 ms	6 - 233 MB	NPU
FFNet-78S	TFLITE	float	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	15.35 ms	2 - 260 MB	NPU
FFNet-78S	TFLITE	float	Snapdragon® 8 Elite For Galaxy Mobile	21.82 ms	2 - 245 MB	NPU
FFNet-78S	TFLITE	float	Snapdragon® 8 Gen 3 Mobile	29.647 ms	1 - 363 MB	NPU
FFNet-78S	TFLITE	float	Snapdragon® 8 Gen 1 Mobile	60.842 ms	3 - 353 MB	NPU
FFNet-78S	TFLITE	float	Qualcomm® Dragonwing™ IQ-8275	62.831 ms	0 - 83 MB	NPU
FFNet-78S	TFLITE	float	Qualcomm® Dragonwing™ QCS8550 (Proxy)	42.429 ms	2 - 5 MB	NPU
FFNet-78S	TFLITE	float	Qualcomm® QCS8450	60.842 ms	3 - 353 MB	NPU
FFNet-78S	TFLITE	float	Qualcomm® Dragonwing™ IQ-9075	61.939 ms	0 - 83 MB	NPU
FFNet-78S	TFLITE	float	Qualcomm® Dragonwing™ Q-8750	21.82 ms	2 - 245 MB	NPU
FFNet-78S	TFLITE	float	Qualcomm® SA7255P	188.683 ms	3 - 230 MB	NPU
FFNet-78S	TFLITE	float	Qualcomm® SA8295P	66.254 ms	3 - 229 MB	NPU
FFNet-78S	TFLITE	w8a8	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	3.745 ms	0 - 232 MB	NPU
FFNet-78S	TFLITE	w8a8	Snapdragon® 8 Elite For Galaxy Mobile	4.947 ms	1 - 219 MB	NPU
FFNet-78S	TFLITE	w8a8	Snapdragon® 8 Gen 3 Mobile	6.471 ms	1 - 279 MB	NPU
FFNet-78S	TFLITE	w8a8	Snapdragon® 8 Gen 1 Mobile	11.395 ms	1 - 279 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® Dragonwing™ QCS6490	38.238 ms	1 - 37 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® Dragonwing™ IQ-8275	9.759 ms	1 - 38 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® Dragonwing™ QCS8550 (Proxy)	9.021 ms	1 - 3 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® SA8775P	9.761 ms	1 - 209 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® SA8650P	9.761 ms	1 - 209 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® SA8255P	9.761 ms	1 - 209 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® QCS8450	11.395 ms	1 - 279 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® Dragonwing™ IQ-9075	9.581 ms	1 - 37 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® Dragonwing™ Q-6690	147.864 ms	1 - 212 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® Dragonwing™ Q-7790	14.408 ms	1 - 224 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® Dragonwing™ Q-8750	4.947 ms	1 - 219 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® SA7255P	26.206 ms	1 - 208 MB	NPU
FFNet-78S	TFLITE	w8a8	Qualcomm® SA8295P	14.886 ms	1 - 212 MB	NPU
FFNet-78S	TFLITE	w8a8	Snapdragon® 7 Gen 4 Mobile	14.408 ms	1 - 224 MB	NPU

License

The license for the original implementation of FFNet-78S can be found here.

References

Community

Join our AI Hub Slack community to collaborate, post questions and learn more about on-device AI.
For questions or feedback please reach out to us.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Библиотека «pytorch» рантаймом не поддерживается.

Ревизия весов: 7080088