ahiok/aic2026-mesh-defects

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.