ViTMatte — модель на базе Vision Transformer для выделения переднего плана и оценки альфа-матта на изображениях.

Подходит для: отделение объекта от фона на фотографии · создание альфа-масок для композитинга · подготовка масок переднего плана для редактирования изображений

ViTMatte — модель на Vision Transformer для точного выделения переднего плана и оценки масок прозрачности на изображениях.

Подходит для: выделение объекта переднего плана на фотографии · создание маски прозрачности для отделения объекта от фона · подготовка изображений для замены или удаления фона

Одношаговая диффузионная модель ByteDance для восстановления и улучшения качества видео.

Подходит для: восстановление качества повреждённых видео · улучшение деталей в видео высокого разрешения · повышение визуального качества роликов перед публикацией

Компактная мультимодальная модель OpenGVLab для диалога по изображениям и видео, понимания документов, графиков и визуального текста.

Подходит для: ответы на вопросы по изображению · извлечение текста из документов и изображений · понимание графиков и инфографики

ViTMatte — модель на базе Vision Transformer для оценки маски переднего плана и маттинга изображений.

Подходит для: отделение объекта переднего плана от фона · создание точных масок для вырезания людей и объектов · обработка тонких границ, например волос

Модель BRIA AI для сегментации изображений и удаления фона с выдачей настраиваемой альфа-карты.

Подходит для: удаление фона у фотографий товаров · создание прозрачных вырезок людей и объектов · подготовка изображений для рекламы и интернет-магазинов

ViT-модель timm для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet-1k · извлечение признаков из изображений · получение эмбеддингов изображений для поиска по сходству

Компактная модель Vision Transformer для классификации изображений ImageNet и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание категорий ImageNet · извлечение эмбеддингов изображений

ViViT — видеомодель с 113,2 млн параметров для классификации действий в роликах и дообучения на другие задачи видеоанализа.

Подходит для: распознавание действий в видеороликах · классификация видео по категориям Kinetics-400 · дообучение классификатора для пользовательских категорий видео

Модель на базе ViT классифицирует изображения кожи по наличию или отсутствию морщин.

Подходит для: определение наличия морщин на изображении кожи · предварительная автоматическая оценка кожи по фотографии · классификация фотографий кожи для прототипа приложения анализа кожи

Компактная модель EfficientViT для сегментации областей макета на изображениях страниц документов в составе Surya.

Подходит для: выделение областей макета на сканах документов · анализ структуры страниц перед OCR · сегментация текста и других областей на изображении страницы

Сверточная модель семейства LeViT для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по классам ImageNet-1k · извлечение признаков и эмбеддингов изображений · использование в качестве визуального бэкбона компьютерного зрения

SAM ViT-L — модель Meta для сегментации объектов на изображениях по визуальным подсказкам или автоматически.

Подходит для: создание маски объекта по точке на изображении · сегментация объекта по ограничивающей рамке · автоматическое выделение объектов на изображении

ViT — модель для классификации изображений и извлечения признаков, обученная на ImageNet-21k.

Подходит для: классификация объектов на изображениях · извлечение признаков изображения для последующей обработки · получение эмбеддингов изображений

ViT Base Patch32 — модель для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-21k и дообученная на ImageNet-1k.

Подходит для: классификация изображений по категориям ImageNet · извлечение эмбеддингов изображений для поиска похожих объектов · использование как визуального бэкбона в системах компьютерного зрения

Базовая модель Vision Transformer для классификации изображений по 1000 классам ImageNet и извлечения признаков для компьютерного зрения.

Подходит для: Классификация фотографий по классам ImageNet · Распознавание объектов на изображениях · Извлечение признаков изображений для последующего обучения классификатора

GroupViT — vision-language модель для zero-shot семантической сегментации изображений по текстовым названиям категорий.

Подходит для: Сегментация объектов на изображении по категориям, заданным текстом · Поиск областей изображения, соответствующих произвольным словесным меткам · Исследование zero-shot сегментации без пиксельной разметки

Зрительная модель Meta AI на базе ViT-7B извлекает плотные признаки изображений для классификации, поиска, сегментации и других задач компьютерного зрения.

Подходит для: извлечение признаков для классификации изображений · поиск похожих изображений по эмбеддингам · сегментация изображений с линейным классификатором

Крупная модель ViT классифицирует изображения по классам ImageNet и извлекает признаки для задач компьютерного зрения.

Подходит для: классификация изображений по 1000 классам ImageNet · извлечение признаков изображений для последующего обучения · создание классификатора для размеченного набора изображений

Крупная модель Vision Transformer, обученная на ImageNet-21k для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание сцен и категорий изображений · извлечение визуальных признаков для компьютерного зрения

ViTMatte-base-distinctions-646 отделяет передний план от фона на изображениях, предсказывая маттинг-маску.

Подходит для: отделение объекта от фона на фотографии · подготовка портретов для замены фона · создание изображений с прозрачным фоном

CvT-13 — модель компьютерного зрения для классификации изображений по 1000 классам ImageNet.

Подходит для: классификация изображений по классам ImageNet · распознавание объектов на фотографиях · определение категории изображения

ViT Large — модель для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · извлечение эмбеддингов изображений для поиска похожих объектов · получение визуальных признаков для последующих задач компьютерного зрения

Мультимодальная модель OpenGVLab на 4,2 млрд параметров для диалога по изображениям, чтения документов и визуальных вопросов и ответов.

Подходит для: ответы на вопросы по фотографиям и изображениям · извлечение текста с изображений и документов · понимание диаграмм, графиков и инфографики