OWLv2 — модель Google для обнаружения объектов на изображениях по текстовым запросам, включая классы, не заданные заранее.

Подходит для: поиск объектов на изображении по текстовому описанию · обнаружение нескольких заданных пользователем категорий на изображении · поиск объектов с метками, отсутствовавшими при обучении

Occamy-1.0 — дообученная мультимодальная MoE-модель для длительных агентных задач, программирования и совместной работы с инструментами.

Подходит для: выполнение многоэтапных рабочих процессов с вызовом инструментов · написание и отладка кода через терминал · поиск и обработка информации в ходе агентной задачи

OWL-ViT находит и локализует объекты на изображениях по одному или нескольким текстовым запросам без фиксированного набора классов.

Подходит для: поиск объектов на изображении по текстовому описанию · обнаружение нескольких заданных категорий объектов на одном изображении · создание прототипа детектора объектов с открытым словарём

LLMDet base — модель на основе MM Grounding DINO для обнаружения объектов по текстовым запросам без фиксированного набора классов.

Подходит для: поиск объектов на изображении по текстовому описанию · обнаружение категорий объектов, отсутствующих в заранее заданной разметке · разметка изображений по пользовательскому списку текстовых классов

OWLv2 — модель компьютерного зрения, которая обнаруживает объекты на изображении по текстовым запросам, включая категории с открытым словарём.

Подходит для: поиск объектов на изображении по текстовому описанию · обнаружение нескольких запрошенных категорий на одном изображении · поиск объектов, не входивших в фиксированный список классов

OmDet-Turbo Swin-Tiny обнаруживает объекты на изображениях по текстовым запросам без отдельного обучения на заданных категориях.

Подходит для: поиск объектов на изображении по произвольным текстовым категориям · zero-shot-разметка изображений для новых наборов классов · пакетное обнаружение объектов с разными текстовыми запросами

OWL-ViT обнаруживает объекты на изображениях по текстовым запросам, включая классы, не заданные фиксированным списком.

Подходит для: Поиск заданных объектов на фотографии по текстовым описаниям · Обнаружение объектов с пользовательскими названиями классов · Подсчёт и локализация объектов на изображениях

OWLv2-base-patch16 — модель с открытым словарём, которая обнаруживает объекты на изображениях по текстовым запросам.

Подходит для: поиск объектов на изображении по произвольному текстовому описанию · zero-shot детекция категорий объектов без отдельного обучения на этих классах · поиск нескольких типов объектов на одном изображении

RynnBrain 1.1-2B — дообученная мультимодальная модель для пространственного понимания изображений и видео, локализации объектов и рассуждений в сценариях embodied AI.

Подходит для: Определение объектов, их атрибутов и взаимного расположения в сцене · Локализация указанного объекта по текстовой инструкции на изображении · Понимание пространственной структуры видеосцены

Крупная модель CaiT, обученная на ImageNet-1k для классификации изображений и извлечения визуальных признаков.

Подходит для: определение класса объекта на изображении · классификация фотографий по категориям ImageNet · извлечение признаков изображений для последующего анализа

Семейство моделей компьютерного зрения Ultralytics для обнаружения объектов и смежных задач, включая сегментацию, классификацию изображений и оценку позы.

Подходит для: обнаружение и локализация объектов на изображениях · сегментация объектов и выделение их масок · классификация изображений по категориям

Дообученная мультимодальная модель Qwen3-VL-2B для пространственного понимания изображений и видео, локализации объектов и ответов на вопросы о сценах.

Подходит для: ответы на вопросы о сценах от первого лица · подсчёт объектов на изображениях и в видео · распознавание текста в видеосценах

Мультимодальная модель Ai2 для понимания сцен, пространственных отношений, нескольких изображений и временной последовательности в видео.

Подходит для: Ответы на вопросы о содержимом изображения · Определение точного положения объекта на изображении · Сопоставление объектов и сцен на нескольких изображениях

Компактная модель MM Grounding DINO обнаруживает объекты на изображениях по текстовым запросам и поддерживает zero-shot-обнаружение.

Подходит для: поиск объектов на изображении по текстовым названиям · обнаружение объектов с открытым набором классов · разметка изображений рамками объектов

YOLOE — модель компьютерного зрения для быстрого обнаружения и сегментации объектов по текстовым или визуальным подсказкам и без подсказок.

Подходит для: поиск объектов на изображениях по текстовому запросу · обнаружение объектов по визуальному примеру или области изображения · обнаружение объектов без предварительно заданной категории

OWL-ViT Large Patch14 обнаруживает объекты на изображениях по текстовым запросам, включая классы без заранее заданной фиксированной метки.

Подходит для: Поиск заданных текстом объектов на изображении · Обнаружение объектов без предварительно заданного списка классов · Проверка того, как формулировка запроса влияет на локализацию объектов

Мультимодальная модель ObjectAI извлекает структурированные данные из изображений индийских финансовых документов и заполняет заданную JSON-схему.

Подходит для: извлечение полей из изображений финансовых документов · преобразование сведений со страницы документа в JSON по заданной схеме · структурирование данных из индийских финансовых документов

Компактная модель CaiT для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание классов ImageNet-1k · извлечение эмбеддингов изображений

Мультимодальная модель Alibaba DAMO Academy для понимания изображений и видео, пространственных рассуждений и локализации объектов в embodied AI.

Подходит для: Определение объектов и их атрибутов на изображении · Поиск объектов в изображении или видео по текстовой инструкции · Понимание пространственных отношений между объектами

Репозиторий содержит сторонние модели, преобразованные CamStack в форматы для инференса, включая детекцию, классификацию и извлечение признаков.

Подходит для: извлечение признаков изображений · поиск объектов на изображениях и видео · классификация изображений и типов автомобилей

Коллекция моделей Ultralytics YOLO для обнаружения объектов и сегментации изображений в ComfyUI.

Подходит для: обнаружение объектов на изображениях в ComfyUI · нахождение лиц на изображениях · сегментация объектов на изображениях

Мультимодальная модель Alibaba DAMO Academy для планирования роботизированных действий по изображениям сцены и текстовой цели.

Подходит для: планирование последовательности действий робота по заданной цели и изображению сцены · разбиение многошаговой задачи манипуляции на подзадачи · привязка объектов и целевых областей к физическому пространству

CaiT M36 — крупная модель для классификации изображений ImageNet-1k и получения визуальных признаков.

Подходит для: классификация изображений по категориям · распознавание объектов на фотографиях · извлечение признаков изображений для последующих задач компьютерного зрения

O2-9B-Preview — 9-миллиардная модель Ant International для агентного рассуждения, программирования и выполнения задач с инструментами и проверкой результатов.

Подходит для: выполнение многошаговых задач с вызовом инструментов · помощь в разработке и работе с репозиториями кода · анализ результатов запуска тестов и исправление ошибок