Downloads · 30 days
0
aic2026-mesh-defects
ahiok/aic2026-mesh-defects
aic2026-mesh-defects is a machine learning model from ahiok. Use it for the machine learning task on the model card, and read the license before you ship it in a product.
Код, веса и ноутбук решения задачи SBER AI о дефектах 3D-моделей. Публичный лидерборд 15.151, честная кросс-валидация смеси 14.83.
Access
Public
Updated Sep 17, 2026
Repo size
4.9 GB
Likes
0
Public
Repo makeup
Click a slice to open those files.
.pt4.9 GB · 99%
At a glance
- Access
- Public
- Created
- Sep 17, 2026
- Updated
- Sep 17, 2026
- SHA
- 1c2d6c3b
Model card
From the Hugging Face model README
AI Challenge 2026: дефекты 3D-мешей, решение команды ahiok
Код, веса и ноутбук решения задачи SBER AI о дефектах 3D-моделей. Публичный лидерборд 15.151, честная кросс-валидация смеси 14.83.
Как воспроизвести
Открыть aic_solution.ipynb в Google Colab с GPU и выполнить все ячейки. Ноутбук сам ставит библиотеки, скачивает этот репозиторий и тест из архива организаторов, пересобирает сабмит с нуля, сверяет его с submissions/sub_final.csv и объясняет решения модели.
Что внутри
| папка | содержимое |
|---|---|
src/ | весь код: признаки, обучение, инференс (predict.py), объяснения (explain.py) |
models/ | веса семи моделей смеси: 3 ConvNeXt-Tiny по 5 фолдов, 3 головы на токенах замороженных DINOv3 и SigLIP2 по 15 штук, LightGBM по 5 фолдов на метку |
reports/config_final.json | состав смеси, пороги, правило quality |
features/ | OOF-предсказания семи моделей и признаки геометрии train (для разбора ошибок и проверки обучения) |
data/tar_index.json | смещения файлов train внутри архива организаторов, чтобы качать объекты по одному |
submissions/sub_final.csv | файл, отправленный на лидерборд |
Данные организаторов в репозиторий не входят, ноутбук берёт их по ссылке из условия задачи.
Смесь
Равные веса семи моделей, порог каждой метки подобран на out-of-fold предсказаниях, quality = 1 у 123 объектов теста с наибольшей вероятностью.
- Замороженные DINOv3-L @512, DINOv3-H+ @512 и SigLIP2 so400m @384. По каждому из 6 видов берутся CLS, среднее и разброс патч-токенов объекта с пяти слоёв, сверху MLP с дропаутом 0.85.
- ConvNeXt-Tiny с общим бэкбоном по видам на 224, 384 и 512 (512 с отражением на инференсе).
- LightGBM на 176 признаках геометрии меша и статистиках рендеров.
Всё обучено на одной RTX 5060 Ti 16 ГБ.
- Created
- Sep 17, 2026
- Updated
- Sep 17, 2026