Downloads · 30 days
0
TmiTmi1999/digital-detective-aic2026-controlb4-h6-20260917
digital-detective-aic2026-controlb4-h6-20260917 is a machine learning model from TmiTmi1999. Use it for the machine learning task on the model card, and read the license before you ship it in a product.
Ресурсы доступны без аккаунта и токена на Hugging Face. Достаточно скачать solution.ipynb: в режиме inference или train первая кодовая ячейка автоматически скачает отсутствующие ресурсы в AICARTIFACTROOT (по умолчанию…
Downloads · 30 days
0
Access
Public
Updated Sep 17, 2026
Repo size
2.5 GB
Likes
0
Public
Click a slice to open those files.
.zip1.3 GB · 49%
From the Hugging Face model README
Ресурсы доступны без аккаунта и токена на
Hugging Face.
Достаточно скачать solution.ipynb: в режиме inference или train первая
кодовая ячейка автоматически скачает отсутствующие ресурсы в AIC_ARTIFACT_ROOT
(по умолчанию текущая папка). Скачивание привязано к неизменяемому commit,
каждый файл проверяется по SHA256. Уже имеющиеся правильные файлы используются
без сети; повреждённые файлы не перезаписываются молча. Режим report веса не качает.
Для inference требуется примерно 635 MB ресурсов; train дополнительно
скачивает тренировочные входы и donor. Официальный датасет и тест передаются
отдельно пользователем: изображения соревнования здесь не публикуются.
Для машины без интернета скачайте и распакуйте final_notebook_bundle.zip заранее.
Точный ML-режим требует Linux x86_64 / Python 3.11 / glibc>=2.34 / CUDA,
как и проверенный автономный комплект. HF-загрузка не меняет модель,
постобработку и результат submission.
Финальная версия комплекта: 17 сентября 2026. Публичный AIC, сообщённый командой: 0.9596589462212584. Это тот же ранее отправленный артефакт, не новый результат. Здесь переработаны воспроизводимость и исследовательский отчёт.
solution.ipynb — выполненный ноутбук: EDA, метод, 29 проверок/сравнений,
анализ ошибок, точные исходники и режимы обучения/инференса.submission.zip — проверенная посылка: CSV и 2160 бинарных PNG.README.md — эта инструкция.weights/ и training_reproduction/ — дополнительные ресурсы для
воспроизведения, поставляемые в ZIP или автоматически скачиваемые с HF.
Приватные SSH-пути и токены для запуска не нужны.solution.html — удобная версия отчёта для чтения; кодовые приложения
раскрываются по щелчку, она не заменяет .ipynb.evidence/, provenance/, release_snapshot/, support/ — первичные
измерения, конфиги, код и независимые проверки; VERIFICATION.json — их статус.Рабочая папка — папка этого комплекта, не корень старого проекта. В старом репозитории есть модули, затеняющие стандартные/установленные пакеты. Рекомендуется отдельное окружение Python 3.11 или 3.12.
python -m venv .venv
# Linux:
source .venv/bin/activate
# Windows PowerShell вместо строки выше:
# .\.venv\Scripts\Activate.ps1
python -m pip install jupyterlab nbclient nbconvert numpy pandas matplotlib pillow
jupyter lab solution.ipynb
В ноутбуке нажать Restart Kernel and Run All. По умолчанию AIC_MODE=report.
Необходимые отсутствующие библиотеки отчёта устанавливаются из самого notebook.
Интернет для EDA/графиков после установки не нужен: TRAIN-метадата и исходники
встроены. Никакого обучения, скачивания датасета или доступа к test pixels в этом
режиме нет. Версия со всеми сохранёнными выводами уже поставляется в комплекте.
Для точного ML-воспроизведения: Linux x86_64, Python 3.11, glibc>=2.34, CUDA-совместимый драйвер. CPU-отчёт не имеет этого платформенного ограничения. Проверенный сервер использует PyTorch2.5.1+cu121, torchvision0.20.1+cu121, SMP0.5.0, timm1.0.29, Albumentations2.0.8, NumPy1.26.4. Полный набор проверяемых версий установит первая dependency-ячейка в режиме inference/train. Используйте новое ядро: переустановка уже импортированного NumPy/Torch в том же kernel запрещена.
JPEG-декодер — часть модели. Чистая установка обычного Pillow==12.3.0
использует libjpeg-turbo; исходная среда использовала IJG9e. При одинаковой версии
Pillow это меняет входные RGB-пиксели. Поэтому codec/ содержит SHA-проверяемый
Pillow wheel с собственной копией shared-библиотеки IJG9e и относительным RPATH:
доступ к прежним серверным .so при запуске не нужен.
Setup-ячейка автоматически проверяет декодирование синтетического JPEG и при
несовпадении устанавливает этот локальный wheel без сети. codec/ обязательно
передавать вместе с notebook. Для неподдерживаемой платформы ML-режим выдаёт
явную ошибку, а не незаметно меняет предсказания.
codec/BUILD.json фиксирует wheel/library SHA и происхождение bundled IJG9e
из Anaconda jpeg9e; статическая сборка из source не заявляется.
codec/README содержит оригинальную
документацию и условия IJG. Эта сборка использует работу Independent JPEG Group.
Распознаваемые в задаче форматы JPEG/PNG поддерживаются; необязательные TIFF,
WebP, AVIF и прочие кодеки в данном wheel отключены.
Скачайте только официальный
test_stage1.zip
и распакуйте его. AIC_TEST_ROOT — папка, где лежит test.csv; каждый img_path
из него должен существовать относительно этой папки. Имена не переименовывать.
Linux:
export AIC_MODE=inference
export AIC_ARTIFACT_ROOT="$PWD"
export AIC_TEST_ROOT=/absolute/path/to/test_stage1
export AIC_INFERENCE_OUT="$PWD/reproduced_submission"
jupyter nbconvert --to notebook --execute solution.ipynb --output inference_executed.ipynb --ExecutePreprocessor.timeout=-1
На Windows для точного инференса используйте соответствующую Linux-среду (например, WSL2 с GPU). Нативный Windows Run All поддерживается для CPU-отчёта, но не заявляется точным воспроизведением исходного JPEG-декодирования.
Результат: новая папка reproduced_submission/ и ZIP рядом. Уже существующая
папка не перезаписывается: задайте новое имя. Инференс запускается в изолированной
папке frozen runtime, чтобы чужой aic из текущей директории не подменил модель.
Фиксированный рецепт: input576; q>6 → H6, иначе controlB4; mask=.49, classifier=.995 при q<1.5, иначе .82; gated cap=.009; minarea0; FP16, batch16, workers4, без TTA. На кадр исполняется одна модель.
| Файл | SHA256 |
|---|---|
weights/control_b4.pth | 1e6e866d04a1902a8bde07f15f7aafc903ace8f75dd13bd1a2830142fffd990b |
weights/h6.pth | 66d5aeb0419fe86add23c4798dd75c0a7bfee1070198d7669413a06abf1396a0 |
submission.zip | 9fbd1052d0fa7d270c9aad825d45590b7f84474305958f89d438213bdc968533 |
SHA проверяется до загрузки checkpoint. Выбирается EMA, не raw model. После инференса проверяются CSV, отсутствие дубликатов/лишних членов ZIP, исходные размеры, одноканальные PNG и значения только0/255. ZIP-контейнер может иметь другой hash из-за времени упаковки; сравнивайте содержимое CSV/PNG, не только ZIP.
Комплект содержит переносимый вход для того же четырёхблочного controlB4,
который дал выбранные финальные веса. Warm start — mv_light2/best.pth E5,
не случайная инициализация и не H6. H6 остаётся фиксированной второй веткой.
В training_reproduction/inputs/ находятся исходные light2.pth, h6.pth,
train.json, val.csv, reference.jsonl, native_manifest.json. Последние
задают точные split, идентичность файлов и контрольный протокол; ничего не
отбирается по тесту. Для JPEG проверяются размер/CRC исходного архива.
Скачайте и распакуйте официальный
train_stage1.zip.
Потребуется место под архив39ГБ и извлечённые данные; не ресайзите и не
пересохраняйте изображения заранее. Корень должен содержать stage1/train/img,
stage1/train/src, stage1/train/mask. RGB и маски можно хранить в одном корне:
задайте одинаковые AIC_TRAIN_ROOT и AIC_MASK_ROOT.
Перед обучением проверить файлы, не используя GPU:
python training_reproduction/portable_control.py --check-code-only
python training_reproduction/portable_control.py \
--data-native /absolute/path/to/extracted_train \
--mask-data /absolute/path/to/extracted_train \
--inputs training_reproduction/inputs \
--out retrained_control --validate-only
Затем режим ноутбука:
export AIC_MODE=train
export AIC_ARTIFACT_ROOT="$PWD"
export AIC_TRAIN_ROOT=/absolute/path/to/extracted_train
export AIC_MASK_ROOT=/absolute/path/to/extracted_train
export AIC_TRAIN_OUT="$PWD/retrained_control"
jupyter nbconvert --to notebook --execute solution.ipynb --output training_executed.ipynb --ExecutePreprocessor.timeout=-1
Настройки:4×49992 предъявления, batch12, AdamW LR1.5e-5 constant, WD.01,
EMA.999, canvas1024 → input576, seed42, 10% негативов, фиксированные пороги.
Сначала выполняется smoke с реальными batch и проверкой градиентов, затем модель
заново восстанавливается из donor — smoke-веса в обучение не переносятся.
После каждого блока есть validation и журнал. Выбранный release соответствует
retrained_control/control/last.pth EMA/B4, не локальному best/B2.
Wrapper не меняет математический рецепт. Он переносит пути, убирает требование
именно Slurm, сохраняет37 исходных code hashes и6 input hashes, не требует
неиспользуемый Nano-pool. Исторические файлы остаются неизменными;3 замены guard/
job-metadata происходят только в памяти. Нужна CUDA; Linux file_system sharing
используется исходным loader. Полное повторение этого обучения при сборке отчёта
не запускалось, и побитовая идентичность на другой GPU не обещается.
В provenance/LINEAGE_AUDIT.md, lineage.json и recipes/ сохранены реальные
конфиги, selected epochs, scripts и hashes ранней цепочки. Это не придуманный
единый запуск с нуля. Первые6 промежуточных checkpoint были удалены ранее;
их конфиги сохранились, но исторический commit среды не восстановлен.
Поэтому bit-exact ImageNet→release не заявляется.
H6 — равное усреднение шести конкретных EMA по зафиксированному порядку; 595 floating tensors усредняются,45 других buffers берутся от expert4. CPU-реконструкция совпала по всем640 keys. Все шесть непосредственных доноров используют canvas576. Готовый H6 поставляется; исторические тяжёлые доноры перечислены по SHA, но их многогигабайтные веса не дублируются в этом комплекте.
Полная основная validation =6158positive+795officialnegative; ещё2498src-negative только для дополнительного FPR. Local0.9578987651912857 и public0.9596589462212584 не смешиваются. Public score сообщён командой, самостоятельно с сайта не выгружен.
29 записей включают matched A/B, frozen-checkpoint диагностику, историческое сравнение архитектур и public history. Это не 29 чистых независимых абляций. У каждой записи есть бюджет, split, контроль, ограничение и первичный источник. Nano local/public reversal показан открыто; неподтверждённый EMA gain исключён. READY-планы DINO не выданы за выполненные опыты.
К исходным 20 записям добавлены девять ранних блоков из GitHub: скрининг
энкодеров, четыре пресета аугментаций, brushnet group holdout, раздельный LR,
ранний soup, Dice на негативах, small oversampling, первая Nano-попытка и GeM.
Они помечены historical_markdown_report; исходные budgets/метрики, которые
не удалось установить, не выдуманы. reported_score не используется как AIC.
График аугментаций и generator holdout явно разделяет разные протоколы.
evidence/github_audit/ содержит отчёт покрытия, историю, SHA-манифест и
72 снимка документов/metadata из семи опубликованных веток. Читать их можно
без доступа к приватному репозиторию. Последний опубликованный commit —
9 сентября: поздние серверные опыты дополняют эту историю, а не заменяются ею.
MoE/scout quality, отдельные gains компонентов и прогнозы прироста перечислены
среди неподтверждённых утверждений; наличие кода не выдано за качество.
Чистая Linux/CUDA-проверка: job4336425, COMPLETED0:0, cn-003/V10032GB,
2мин15сек. Новый Python3.11 venv, установка из notebook,41tests иpipcheckPASS;
полный notebook выдал2160PNG+CSV, побайтово совпавшие с исходным submission.
См. CLEANROOM_VERIFICATION.json и evidence/cleanroom_*. Это проверка
переносимости прежних предсказаний, а не новый leaderboard score.
Строгие GFLOPs каждой выбранной ветки:98.630919744, измерены FlopCounterMode. H10080GB end-to-end latency не измерена. V100 forward около29мс — диагностика, не сертификат соблюдения лимита H100. NaN/чужая GPU не превращаются в PASS.
См. VERIFICATION.json и, если присутствует, GPU_VERIFICATION.json для
актуального статуса. В тестах проверяются повреждения checkpoint, состав soup,
плохие ZIP/PNG, пропущенные данные, NaN в hardware report и импорт чужого пакета.
python -m unittest discover -s support -p test_repro.py
python -m unittest test_notebook_runtime.py
python -m unittest test_report_evidence.py
После установки ML-зависимостей дополнительно:
python -m unittest discover -s support -p test_codec.py — RGB-паритет
синтетического JPEG и отказ при повреждённом fixture. Этот отдельный тест
декодера не предназначен для обычной Windows CPU-report среды.
Эти тесты не требуют CUDA. Запускать из папки комплекта. Оригинальный
solution (2).ipynb автора не изменялся.
До17сентября23:59МСК по официальному положению.
Task-specific требования сохранены в STATEMENT.md от2сентября; при расхождении
приоритет у актуальной авторизованной страницы конкурса. Верхний диапазон ML-оценки
требует EDA, качественного кода, настройки моделей/параметров, специальных методов
и обоснованных сравнений. Наличие этих разделов не гарантирует конкретную оценку.