Models

3.5 `docs/models.md` — Обзор acmenra-models¶

# 🧠 acmenra-models

**Семейство моделей компьютерного зрения** собственной разработки.

!!! warning "В разработке"
    Продукт находится в активной разработке. Релиз запланирован на **Q2 2027**.

    Хотите узнать больше? [Свяжитесь с нами](mailto:contact@acmenra.studio)

---

## Обзор

**acmenra-models** — это семейство моделей компьютерного зрения собственной архитектуры, оптимизированных для российского hardware и включённых в реестр отечественного ПО.

---

## Семейство моделей

### Acmenra-V1 (Full-size)

**Для production-решений** с высокими требованиями к точности.

| Параметр | Значение |
|----------|----------|
| Параметры | 50M |
| Задачи | Detect, Segment, Pose, OBB, Classify |
| mAP@50 | 52.3% (COCO) |
| Скорость | 45 FPS (A100) |
| Память | 12 GB |

[:octicons-arrow-right-24: Подробнее](#acmenra-v1)

---

### Acmenra-Nano (Edge)

**Для embedded-систем** (Raspberry Pi, Jetson, NPU).

| Параметр | Значение |
|----------|----------|
| Параметры | 1M |
| Задачи | Detect, Classify |
| mAP@50 | 38.7% (COCO) |
| Скорость | 120 FPS (Jetson Nano) |
| Память | 512 MB |

[:octicons-arrow-right-24: Подробнее](#acmenra-nano)

---

### Acmenra-Edge (Optimized)

**Оптимизирован для российских процессоров** (Эльбрус, Байкал).

| Параметр | Значение |
|----------|----------|
| Параметры | 5M |
| Задачи | Detect, Segment |
| mAP@50 | 44.2% (COCO) |
| Скорость | 80 FPS (Эльбрус-8С) |
| Память | 2 GB |

[:octicons-arrow-right-24: Подробнее](#acmenra-edge)

---

## Сравнение моделей {#compare}

| Модель | Параметры | mAP@50 | FPS (A100) | Память | Задачи |
|--------|-----------|--------|------------|--------|--------|
| **Acmenra-V1** | 50M | 52.3% | 45 | 12 GB | All |
| **Acmenra-Nano** | 1M | 38.7% | 120* | 512 MB | Detect, Classify |
| **Acmenra-Edge** | 5M | 44.2% | 80** | 2 GB | Detect, Segment |

\* FPS на Jetson Nano  
\*\* FPS на Эльбрус-8С

---

## Использование

### Загрузка модели

```python
from acmenra_core import Acmenra

# Загрузка Acmenra-V1
model = Acmenra("acmenra-v1.pt")

# Загрузка Acmenra-Nano
model = Acmenra("acmenra-nano.pt")

# Загрузка Acmenra-Edge
model = Acmenra("acmenra-edge.pt")

Инференс¶

# Детекция
results = model.predict(source="image.jpg")

# Сегментация
results = model.predict(source="image.jpg", task="segment")

# Трекинг
results = model.track(source="video.mp4")

Обучение¶

# Fine-tuning на своих данных
model.train(
    data="dataset.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
)

Архитектура¶

Ключевые особенности¶

End-to-end NMS-free inference — нет post-processing bottleneck
Unified architecture — одна архитектура для всех задач
Optimized for Russia — оптимизация под Эльбрус, Байкал
Quantization-ready — поддержка INT8/FP16

Сравнение с YOLO¶

Особенность	YOLOv8	Acmenra-V1
Архитектура	CSPDarknet	AcmenraNet
NMS	Post-processing	End-to-end
mAP@50 (COCO)	53.9%	52.3%
Скорость (A100)	50 FPS	45 FPS
Параметры	68M	50M
Память	15 GB	12 GB

Вывод: Acmenra-V1 немного уступает YOLOv8 в точности, но выигрывает в эффективности (меньше параметров и памяти).

Бенчмарки¶

COCO dataset (5000 images)¶

Модель	mAP@50	mAP@50:95	FPS (A100)	FPS (V100)	FPS (CPU)
Acmenra-V1	52.3%	38.7%	45	32	8
Acmenra-Nano	38.7%	24.2%	120*	85*	25
Acmenra-Edge	44.2%	31.5%	80**	60	15

* FPS на Jetson Nano
** FPS на Эльбрус-8С

Roadmap¶

Ранний доступ¶

Хотите получить ранний доступ к acmenra-models?

Напишите нам ```