🧠 acmenra-models¶

Семейство моделей компьютерного зрения собственной разработки.

В разработке

Продукт находится в активной разработке. Релиз запланирован на Q2 2027.

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

Подробнее

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

Подробнее

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

Подробнее

Сравнение моделей¶

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¶

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