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

ViT-модель Falconsai классифицирует изображения как обычные или содержащие NSFW-контент для автоматической модерации.

Подходит для: фильтрация откровенных изображений на пользовательской платформе · автоматическая модерация загружаемых фотографий · предварительная сортировка изображений по безопасности контента

ViT-модель классифицирует изображения как содержащие насилие или не содержащие его для модерации и мониторинга.

Подходит для: фильтрация изображений с насилием при модерации контента · первичная проверка изображений из систем видеонаблюдения · выявление потенциально жестоких изображений в родительском контроле

Wan2.2-I2V-A14B — MoE-модель Wan-AI для создания видео 480p или 720p на основе исходного изображения.

Подходит для: Анимация статичного изображения в короткую видеосцену · Создание видеоклипа на основе иллюстрации или концепт-арта · Добавление движения к изображению персонажа или объекта

Wan2.2-I2V-A14B — диффузионная MoE-модель для генерации видео 480p или 720p на основе изображения и текстового описания.

Подходит для: анимация изображения в короткое видео · создание видео по иллюстрации с заданным движением · генерация стилизованных сцен из исходного кадра

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

Визуальный ViT-B из семейства DINOv3 от Meta AI извлекает плотные признаки изображений для классификации, поиска и других задач компьютерного зрения.

Подходит для: извлечение признаков и эмбеддингов изображений · классификация изображений с линейным классификатором или k-NN · поиск похожих изображений

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

ViViT-B/16x2 — видеотрансформер с 113,2 млн параметров для классификации видео и дообучения на прикладных наборах данных.

Подходит для: классификация видеороликов по категориям · распознавание действий и событий в видео после дообучения · создание классификатора видеосцен для прикладного набора данных

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

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

Подходит для: классификация изображений по категориям · извлечение эмбеддингов изображений · создание визуальных признаков для downstream-моделей

VOLO D1 — модель для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание категорий ImageNet-1k · извлечение признаков изображений для дальнейшего анализа

Wan2.1-T2V-1.3B — диффузионная модель для генерации коротких видео по текстовым запросам, рассчитанная на запуск на потребительских GPU.

Подходит для: создание короткого видеоролика по текстовому описанию · визуализация творческой идеи в формате видео · подготовка видеозаготовок для творческих проектов

Компактная модель Vision Transformer для классификации изображений, конвертированная из весов timm.

Подходит для: классификация объектов на изображениях · распознавание сцен на фотографиях · автоматическая разметка изображений по классам

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

Компактная модель YOLOS на базе ViT для обнаружения и локализации объектов на изображениях.

Подходит для: обнаружение объектов на фотографиях · поиск объектов для построения ограничивающих рамок · анализ изображений в сценариях компьютерного зрения

Компактная модель ViT-Tiny для классификации изображений по классам ImageNet.

Подходит для: классификация объектов на изображениях · определение класса изображения из набора ImageNet · встраивание классификатора изображений в приложение компьютерного зрения

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

Подходит для: Классификация объектов на изображениях · Распознавание сцен и категорий ImageNet · Извлечение карт признаков для 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

ViT-модель с 22,2 млн параметров для классификации изображений и извлечения визуальных признаков.

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

Набор LoRA-адаптеров Alibaba PAI для улучшения генерации видео Wan2.2-Fun по оценкам предпочтений HPS v2.1 и MPS.

Подходит для: повышение соответствия сгенерированного видео человеческим предпочтениям · генерация видео по текстовому описанию с подключённым reward LoRA · эксперименты с оптимизацией качества видео через HPS v2.1

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

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

Подходит для: Классификация изображений по классам ImageNet-1k · Извлечение эмбеддингов изображений для поиска похожих объектов · Использование визуального backbone в задачах компьютерного зрения

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