Характеристики

Лицензия: GPL 3.0
Библиотека: pytorch
Опубликована: 25 фев 2024

Ссылки

Unet-Segmentation

Сегментация изображенийИзображение → mask3 профессии

Unet-Segmentation — модель семантической сегментации изображений, разработанная Qualcomm и основанная на реализации PyTorch-UNet от milesial.

1 107скачиваний за 30 дней8лайковвеса 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

Модель обучена на данных соревнования Carvana Image Masking Challenge и предназначена прежде всего для сегментации автомобилей, разделяя изображение на передний план и фон. Она ориентирована на использование на устройствах Qualcomm, включая мобильные и периферийные платформы с NPU.

Модель принимает изображения с разрешением 640×1280 и формирует два выходных класса: foreground и background. Она содержит около 31 млн параметров; размер версии с плавающей точкой составляет примерно 118 МБ, а квантованной конфигурации w8a8 — около 29,8 МБ. Доступны варианты для ONNX и QNN_DLC, включая оптимизацию под разные устройства Qualcomm. По приведённым тестам, квантование w8a8 может существенно снижать время инференса и объём памяти по сравнению с float-версией, однако фактические показатели зависят от чипсета и среды выполнения.

Сильные стороны модели — специализированная сегментация автомобилей, поддержка аппаратного ускорения на NPU Qualcomm и возможность экспорта с пользовательскими весами, формами входа и настройками целевой платформы. Ограничения включают узкую область обучения и применения, отсутствие заявленной поддержки других модальностей или языков, а также зависимость производительности от конкретного устройства. Предварительно экспортированные файлы модели не распространяются из-за лицензионных ограничений; для компиляции и экспорта требуется библиотека Qualcomm AI Hub Models. Лицензия модели указана как GPL-3.0.

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 II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Unet-Segmentation: Optimized for Qualcomm Devices

UNet is a machine learning model that produces a segmentation mask for an image. The most basic use case will label each pixel in the image as being in the foreground or the background. More advanced usage will assign a class label to each pixel. This version of the model was trained on the data from Kaggle's Carvana Image Masking Challenge (see https://www.kaggle.com/c/carvana-image-masking-challenge) and is used for vehicle segmentation.

This is based on the implementation of Unet-Segmentation 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

Due to licensing restrictions, we cannot distribute pre-exported model assets for this model. 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

See our repository for Unet-Segmentation on GitHub for usage instructions.

Model Details

Model Type: Model_use_case.semantic_segmentation

Model Stats:

Input resolution: 640x1280
Model checkpoint: unet_carvana_scale1.0_epoch2
Model size (float): 118 MB
Model size (w8a8): 29.8 MB
Number of output classes: 2 (foreground / background)
Number of parameters: 31.0M

Performance Summary

Model	Runtime	Precision	Chipset	Inference Time (ms)	Peak Memory Range (MB)	Primary Compute Unit
Unet-Segmentation	ONNX	float	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	59.005 ms	14 - 280 MB	NPU
Unet-Segmentation	ONNX	float	Snapdragon® 8 Elite For Galaxy Mobile	81.346 ms	16 - 266 MB	NPU
Unet-Segmentation	ONNX	float	Snapdragon® X2 Elite	71.104 ms	17 - 17 MB	NPU
Unet-Segmentation	ONNX	float	Snapdragon® X Elite	132.33 ms	54 - 54 MB	NPU
Unet-Segmentation	ONNX	float	Snapdragon® 8 Gen 3 Mobile	101.666 ms	3 - 455 MB	NPU
Unet-Segmentation	ONNX	float	Snapdragon® 8 Gen 1 Mobile	262.01 ms	1 - 479 MB	NPU
Unet-Segmentation	ONNX	float	Qualcomm® Dragonwing™ IQ-8275	274.151 ms	9 - 23 MB	NPU
Unet-Segmentation	ONNX	float	Qualcomm® Dragonwing™ QCS8550 (Proxy)	137.295 ms	0 - 56 MB	NPU
Unet-Segmentation	ONNX	float	Qualcomm® QCS8450	262.01 ms	1 - 479 MB	NPU
Unet-Segmentation	ONNX	float	Qualcomm® Dragonwing™ IQ-9075	239.75 ms	9 - 22 MB	NPU
Unet-Segmentation	ONNX	float	Qualcomm® Dragonwing™ IQ-X7181	132.33 ms	54 - 54 MB	NPU
Unet-Segmentation	ONNX	float	Qualcomm® Dragonwing™ Q-8750	81.346 ms	16 - 266 MB	NPU
Unet-Segmentation	ONNX	w8a8	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	16.264 ms	3 - 182 MB	NPU
Unet-Segmentation	ONNX	w8a8	Snapdragon® 8 Elite For Galaxy Mobile	21.606 ms	3 - 180 MB	NPU
Unet-Segmentation	ONNX	w8a8	Snapdragon® X2 Elite	18.654 ms	4 - 4 MB	NPU
Unet-Segmentation	ONNX	w8a8	Snapdragon® X Elite	36.501 ms	29 - 29 MB	NPU
Unet-Segmentation	ONNX	w8a8	Snapdragon® 8 Gen 3 Mobile	26.128 ms	6 - 328 MB	NPU
Unet-Segmentation	ONNX	w8a8	Snapdragon® 8 Gen 1 Mobile	48.099 ms	6 - 328 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ QCS6490	246.461 ms	3 - 9 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ IQ-8275	37.005 ms	4 - 8 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ QCS8550 (Proxy)	37.234 ms	0 - 32 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® QCS8450	48.099 ms	6 - 328 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ IQ-9075	32.156 ms	4 - 7 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ IQ-X7181	36.501 ms	29 - 29 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ Q-6690	1041.701 ms	0 - 497 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ Q-7790	74.51 ms	6 - 261 MB	NPU
Unet-Segmentation	ONNX	w8a8	Qualcomm® Dragonwing™ Q-8750	21.606 ms	3 - 180 MB	NPU
Unet-Segmentation	ONNX	w8a8	Snapdragon® 7 Gen 4 Mobile	74.51 ms	6 - 261 MB	NPU
Unet-Segmentation	QNN_DLC	float	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	54.526 ms	0 - 276 MB	NPU
Unet-Segmentation	QNN_DLC	float	Snapdragon® 8 Elite For Galaxy Mobile	75.423 ms	0 - 262 MB	NPU
Unet-Segmentation	QNN_DLC	float	Snapdragon® X2 Elite	68.019 ms	9 - 9 MB	NPU
Unet-Segmentation	QNN_DLC	float	Snapdragon® X Elite	125.744 ms	9 - 9 MB	NPU
Unet-Segmentation	QNN_DLC	float	Snapdragon® 8 Gen 3 Mobile	102.472 ms	9 - 461 MB	NPU
Unet-Segmentation	QNN_DLC	float	Snapdragon® 8 Gen 1 Mobile	237.965 ms	4 - 468 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® Dragonwing™ IQ-8275	265.804 ms	9 - 28 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® Dragonwing™ QCS8550 (Proxy)	129.143 ms	10 - 47 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® SA8775P	233.605 ms	1 - 255 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® SA8650P	233.605 ms	1 - 255 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® SA8255P	233.605 ms	1 - 255 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® QCS8450	237.965 ms	4 - 468 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® Dragonwing™ IQ-9075	232.275 ms	9 - 27 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® Dragonwing™ IQ-X7181	125.744 ms	9 - 9 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® Dragonwing™ Q-8750	75.423 ms	0 - 262 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® SA7255P	944.38 ms	0 - 254 MB	NPU
Unet-Segmentation	QNN_DLC	float	Qualcomm® SA8295P	253.721 ms	0 - 254 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	15.328 ms	2 - 188 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Snapdragon® 8 Elite For Galaxy Mobile	21.492 ms	2 - 181 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Snapdragon® X2 Elite	18.29 ms	2 - 2 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Snapdragon® X Elite	34.725 ms	2 - 2 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Snapdragon® 8 Gen 3 Mobile	25.242 ms	2 - 312 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Snapdragon® 8 Gen 1 Mobile	44.42 ms	2 - 310 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ QCS6490	243.355 ms	2 - 8 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ IQ-8275	35.888 ms	2 - 9 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ QCS8550 (Proxy)	33.184 ms	3 - 239 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® QCS8450	44.42 ms	2 - 310 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ IQ-9075	31.257 ms	1 - 7 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ IQ-X7181	34.725 ms	2 - 2 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ Q-6690	1015.46 ms	2 - 475 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ Q-7790	70.699 ms	2 - 250 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® Dragonwing™ Q-8750	21.492 ms	2 - 181 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® SA7255P	119.629 ms	0 - 169 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Qualcomm® SA8295P	62.119 ms	0 - 173 MB	NPU
Unet-Segmentation	QNN_DLC	w8a8	Snapdragon® 7 Gen 4 Mobile	70.699 ms	2 - 250 MB	NPU
Unet-Segmentation	TFLITE	float	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	54.465 ms	6 - 282 MB	NPU
Unet-Segmentation	TFLITE	float	Snapdragon® 8 Elite For Galaxy Mobile	76.042 ms	5 - 266 MB	NPU
Unet-Segmentation	TFLITE	float	Snapdragon® 8 Gen 3 Mobile	102.833 ms	6 - 511 MB	NPU
Unet-Segmentation	TFLITE	float	Snapdragon® 8 Gen 1 Mobile	237.527 ms	7 - 516 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® Dragonwing™ IQ-8275	265.595 ms	0 - 81 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® Dragonwing™ QCS8550 (Proxy)	126.85 ms	7 - 443 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® SA8775P	233.636 ms	7 - 260 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® SA8650P	233.636 ms	7 - 260 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® SA8255P	233.636 ms	7 - 260 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® QCS8450	237.527 ms	7 - 516 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® Dragonwing™ IQ-9075	232.413 ms	0 - 80 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® Dragonwing™ Q-8750	76.042 ms	5 - 266 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® SA7255P	944.688 ms	7 - 260 MB	NPU
Unet-Segmentation	TFLITE	float	Qualcomm® SA8295P	253.777 ms	0 - 252 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Snapdragon® 8 Elite Gen 5 For Galaxy Mobile	15.345 ms	0 - 188 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Snapdragon® 8 Elite For Galaxy Mobile	21.406 ms	1 - 178 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Snapdragon® 8 Gen 3 Mobile	25.044 ms	1 - 308 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Snapdragon® 8 Gen 1 Mobile	48.362 ms	2 - 311 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® Dragonwing™ QCS6490	243.405 ms	0 - 42 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® Dragonwing™ IQ-8275	36.112 ms	2 - 39 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® Dragonwing™ QCS8550 (Proxy)	30.913 ms	2 - 4 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® SA8775P	30.635 ms	2 - 172 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® SA8650P	30.635 ms	2 - 172 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® SA8255P	30.635 ms	2 - 172 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® QCS8450	48.362 ms	2 - 311 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® Dragonwing™ IQ-9075	31.101 ms	2 - 39 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® Dragonwing™ Q-6690	1048.638 ms	0 - 472 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® Dragonwing™ Q-7790	71.248 ms	1 - 244 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® Dragonwing™ Q-8750	21.406 ms	1 - 178 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Qualcomm® SA8295P	62.151 ms	2 - 171 MB	NPU
Unet-Segmentation	TFLITE	w8a8	Snapdragon® 7 Gen 4 Mobile	71.248 ms	1 - 244 MB	NPU

License

The license for the original implementation of Unet-Segmentation 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: 1abd120