nuwell-chart-models

Modelos ONNX (int8, ~70 MB total) usados pelo Nuwell para extrair curvas de gráficos no browser (via onnxruntime-web).

model_int8.onnx — Mask2Former Swin-Tiny fine-tuned (separação de curvas)

Segmentação instance de curvas em plot areas de gráficos (linhas, marcadores, tracejados, multi-cor).

Versão	Recall	F1	Notas
v3 (atual)	99.5%	99.1%	Path C: gen_from_real_aug.py + evaluator_v3.py (cKDTree OR matching), Optuna trial_003
v2 (antigo)	88-93%	84%	bipartite matching + Hungarian, pré-2026-07
v1 (PRE_TRIAL003)	88.4%	-	bipartite tol=8, baseline

Avaliação em 67 cenários reais (test_scenarios/coloridas|tracejado|mono_extended).

Arquitetura

• Base: facebook/mask2former-swin-tiny-coco-instance
• Fine-tuned com num_labels=1 (foreground vs background)
• Input: (1, 3, 512, 512) float32 normalizado
• Outputs:
  • class_queries_logits: (1, 100, 2) — [0]=foreground, [1]=no-object
  • masks_queries_logits: (1, 100, 128, 128) — sigmoid para binário

Como usar (browser JS)

import * as ort from 'onnxruntime-web';
const buf = await fetch('https://huggingface.co/noelAraujoMoreira/nuwell-chart-models/resolve/main/model_int8.onnx').then(r => r.arrayBuffer());
const session = await ort.InferenceSession.create(buf, { executionProviders: ['wasm'] });
const out = await session.run({ pixel_values: preprocessedTensor });
const clsP = out.class_queries_logits.data;  // length 200 (Q=100 × 2 classes)
const mql = out.masks_queries_logits.data;   // length 1.638.400 (Q=100 × 128²)
// Foreground score por query:
const score = (q) => {
  const l0 = clsP[q*2], l1 = clsP[q*2+1];
  const e0 = Math.exp(l0 - Math.max(l0,l1)), e1 = Math.exp(l1 - Math.max(l0,l1));
  return e0 / (e0 + e1);  // foreground prob
};

Outros modelos

• det.onnx — detecção de texto (PP-DetR) — legenda detection
• cls.onnx — classificação de orientação de texto
• latin_rec.onnx — reconhecimento de caracteres latinos
• latin_charset.json — charset

Backup

• model_int8_PRE_TRIAL003.onnx — backup da versão anterior ao deploy de 2026-07-19.