kaktusik21/3d-mesh-quality-control

3D Mesh Quality Control — артефакты решения

Предсказание 10 дефектов 3D-меша и метки пригодности quality по мешу и шести рендерам карт нормалей. OOF-метрика соревнования: f1_final = 14.556 из 20 (quality 0.7442, artefacts 0.7114).

Состав ансамбля

уровень	модель	OOF
1	дообученный dinov3b @288, multi-view	14.236
1	LightGBM (эмбеддинги 4 бэкбонов + 472 признака)	13.826
1	LightGBM (только признаки)	13.048
1	логрег по эмбеддингам	12.692
2	LightGBM по 48 мета-признакам	14.469
бленд	0.65 · уровень 2 + 0.35 · дообученный ViT	14.556

Замороженные бэкбоны: cnxv2t, dinov2b, dinov3b, siglip2b.

Файлы

• lib_features.py, lib_embed.py, lib_model.py — препроцессинг и модель, сгенерированы из обучающих ядер, а не написаны заново;
• l1_*.joblib, l2_*.joblib — модели обоих уровней, по 5 фолдов;
• ft_fold{0..4}.pt — веса дообученного ViT (fp16);
• release_config.json — пороги пер-лейбл, состав ансамбля, порядок колонок;
• submission.csv, pte_ft.npy — эталоны для сверки воспроизводимости.

Использование

Ноутбук final_inference.ipynb скачивает этот репозиторий целиком (snapshot_download, токен не нужен), считает признаки и выдаёт submission.csv, сверяя его с приложенным эталоном.