I.8Изображения и компьютерное зрение

timm/convnext_small.dinov3_lvd1689m — модель извлечения признаков изображений из библиотеки PyTorch Image Models (timm), основанная на архитектуре ConvNeXt Small. Она предварительно обучена на наборе LVD-1689M методом самоконтролируемого обучения DINOv3 и дистиллирована из DINOv3 ViT-7B. Модель содержит 49,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для получения карт признаков и векторных эмбеддингов изображений, а также может использоваться как основа для задач классификации изображений. Она принимает изображения и выдаёт признаки или эмбеддинги, пригодные для последующих этапов компьютерного зрения. В карточке указана лицензия DINOv3; конкретные условия её применения следует сверять с лицензией проекта.

ConvNeXt Small — сверточная модель классификации изображений из семейства ConvNeXt, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и векторов изображений. Модель содержит около 50,2 млн параметров. Для обучения указано разрешение 224×224 пикселя, для проверки — 288×288. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0. Это модель общего назначения для визуальных задач, а не специализированная модель для отдельной предметной области.

ResNet-50.a1h_in1k — модель классификации изображений и извлечения визуальных признаков из семейства ResNet, опубликованная авторами библиотеки timm. Она обучена на ImageNet-1k по улучшенному рецепту ResNet Strikes Back A1 с оптимизатором LAMB, расписанием скорости обучения с прогревом, RandAugment, усиленным dropout и stochastic depth. Архитектура использует ReLU, свёртку 7×7 с пулингом и проекции 1×1 в shortcut-соединениях; модель содержит 25,6 млн параметров и требует изображения 224×224 пикселя для стандартной оценки. Модель предназначена для присвоения изображению одного из классов ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов в компьютерном зрении. Это общий визуальный классификатор, не специализированный для отдельной отрасли. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

timm/vit_base_patch16_224.dino — модель извлечения признаков изображений на базе Vision Transformer, предоставленная проектом timm. Она обучена без учителя методом DINO на ImageNet-1k и может использоваться как визуальный backbone для классификации и получения эмбеддингов изображений. Модель содержит 85,8 млн параметров, разбивает изображение на патчи 16×16 и рассчитана на вход размером 224×224 пикселя. Модель предназначена для построения визуальных признаков, которые можно применять в классификационных и других компьютерно-зрительных конвейерах. Репозиторий распространяет веса в форматах PyTorch и safetensors, библиотека — timm. Лицензия Apache-2.0.

vit_giant_patch14_dinov2.lvd142m — модель извлечения визуальных признаков на основе Vision Transformer (ViT), опубликованная timm. Она предварительно обучена без учителя методом DINOv2 на наборе LVD-142M и предназначена для получения эмбеддингов изображений и использования в качестве основы для задач компьютерного зрения. Модель содержит около 1,14 млрд параметров и рассчитана на изображения размером 518 × 518 пикселей. Полученные признаки можно применять для поиска похожих изображений, кластеризации, классификации и других задач, где нужны визуальные представления. Модель принимает изображения и выдаёт признаки; самостоятельная классификация описана в карточке как возможный сценарий работы с визуальным backbone. Поставляется в форматах PyTorch и Safetensors, библиотека для работы — timm. Лицензия Apache-2.0.

CIDAS/clipseg-rd16 — модель CLIPSeg с уменьшенной размерностью 16, представленная в работе «Image Segmentation Using Text and Image Prompts» Лүддеке и соавторов. Она предназначена для сегментации изображений по текстовым или визуальным подсказкам в режимах zero-shot и one-shot. Модель выделяет на изображении области, соответствующие запросу, и подходит для сценариев, где нужно задавать целевой объект без отдельного обучения на каждом классе. Модель решает задачу сегментации изображений и доступна в форматах PyTorch и Safetensors для Transformers. Лицензия — Apache-2.0. В карточке не заявлены специальные прикладные области или конкретные языки.

ConvNeXt Small — сверточная модель для классификации изображений, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-22k; в ней 66,3 млн параметров, а рекомендуемый размер входного изображения — 224 × 224 пикселя. Её можно использовать для определения классов на изображениях, извлечения карт признаков и получения эмбеддингов изображений. Это универсальная визуальная модель, не ориентированная на конкретную прикладную область или естественный язык. В репозитории доступны веса PyTorch и Safetensors; лицензия — Apache-2.0.

facebook/dinov2-with-registers-base — базовая модель Vision Transformer с архитектурой DINOv2 и дополнительными register-токенами. Модель впервые опубликована авторами DINOv2 with Registers; карточку на Hugging Face подготовила команда Hugging Face. Энкодер содержит 113,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предварительно обучена без учителя и извлекает визуальные признаки и эмбеддинги из изображений. Их можно использовать для поиска похожих изображений, кластеризации или как представления для обучения классификатора и других прикладных моделей. Веса не содержат дообученных классификационных голов. Register-токены уменьшают артефакты в картах внимания и помогают получать более интерпретируемые карты и улучшенные признаки. Модель принимает изображения и возвращает признаки; готовой разметки классов сама по себе не выдаёт.

Карточка модели cont1037/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

Карточка модели Fluxmire/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

Карточка модели huyhuung/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

EVA-02 Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Версия eva02_large_patch14_448.mim_m38m_ft_in22k_in1k предварительно обучена на объединённом наборе Merged-38M методом masked image modeling с EVA-CLIP в роли учителя, затем дообучена авторами статьи на ImageNet-22k и ImageNet-1k. Модель использует архитектуру Vision Transformer с патчами 14×14, средним pooling, SwiGLU, Rotary Position Embeddings и дополнительным LayerNorm в MLP. Она содержит около 305 млн параметров и рассчитана на изображения размером 448×448. Подходит для классификации изображений и получения их эмбеддингов; в сравнительной таблице README указана точность top-1 90,054% и top-5 99,042%. Это визуальная модель: она принимает изображения и выдаёт классы или признаки изображения. Карточка описывает обучение на ImageNet и других визуальных наборах данных, но не указывает отдельную языковую специализацию. Репозиторий распространяется по лицензии MIT; контрольные точки timm сохранены в float32.

resnet50.a1_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet-B использует ReLU, начальную свёртку 7×7 с пулингом и свёрточные shortcut-связи 1×1. Модель содержит около 25,6 млн параметров и рассчитана на изображения 224×224 при обучении и 288×288 при оценке. Модель подходит для распознавания объектов на изображениях, извлечения карт признаков и получения эмбеддингов изображений. В README приведены детали обучения: оптимизатор LAMB, функция потерь BCE и косинусное расписание скорости обучения с разогревом. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

ResNeXt-50 32x4d tv2 in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептами обучения torchvision v2. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом, группированные bottleneck-свёртки 3×3 и shortcut-соединения с понижающей проекцией 1×1. Модель содержит около 25 млн параметров и требует 2,7 GMACs на изображение. Модель принимает изображения и предсказывает классы объектов ImageNet-1k. Её также можно использовать как backbone для извлечения карт признаков и векторов изображений. В README указаны размер обучения 176×176 и тестовый размер 224×224; веса доступны в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause.

tf_efficientnet_b1.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Исходную версию обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Ross Wightman перенёс веса в PyTorch. В модели около 7,8 млн параметров, рекомендованный размер изображения — 240 × 240 пикселей. Модель определяет классы объектов на изображениях и может служить основой для извлечения карт признаков и визуальных эмбеддингов. Она предназначена для классификации изображений общего назначения в сценариях компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

tf_efficientnetv2_l.in21k — модель классификации изображений семейства EfficientNetV2. Её обучили авторы статьи на ImageNet-21k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. В ней 145,2 млн параметров, она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов. Размер изображения при обучении — 384 × 384 пикселя, при тестировании — 480 × 480. Модель предназначена для классификации изображений по категориям ImageNet-21k и может служить основой для задач компьютерного зрения, требующих признаков изображения. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

vit_base_patch14_dinov2.lvd142m — визуальный backbone семейства Vision Transformer из библиотеки timm, предварительно обученный на наборе LVD-142M методом самообучения DINOv2. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 518 × 518 пикселей. Модель извлекает визуальные признаки и эмбеддинги изображений; также её можно использовать как backbone для классификации изображений. Она подходит для представления изображений в виде признаков для последующего поиска, сравнения или построения задач компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Модель vit_base_patch32_clip_384.laion2b_ft_in12k_in1k — визуальный трансформер ViT для классификации изображений и извлечения признаков. Она разработана в экосистеме timm: предварительно обучена с OpenCLIP на парах изображение–текст из LAION-2B, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 88,3 млн параметров и принимает изображения размером 384 × 384 пикселя. Её можно применять для классификации объектов на изображениях и получения визуальных эмбеддингов для поиска или последующей обработки. Репозиторий предоставляет веса PyTorch и SafeTensors; лицензия — Apache-2.0.

timm/vit_large_patch14_reg4_dinov2.lvd142m — визуальный энкодер на основе Vision Transformer (ViT), опубликованный в timm. Модель содержит около 304,4 млн параметров и предварительно обучена на наборе LVD-142M методом самообучения DINOv2; в архитектуре используются register-токены. Рекомендуемый размер изображения — 518 × 518 пикселей. Модель предназначена для извлечения визуальных признаков и эмбеддингов изображений, а также может служить основой для классификации изображений и других задач компьютерного зрения. Её можно применять как визуальный backbone в системах поиска по изображениям, кластеризации и анализа визуального содержимого. Репозиторий использует timm и содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0.

Xception41p.ra3_in1k — модель классификации изображений и извлечения признаков из семейства Xception, реализованная в timm и обученная Ross Wightman на ImageNet-1k с рецептом аугментации RandAugment RA3. Она использует специфичный для timm блок Xception с предварительной активацией и может служить как классификатор или визуальный backbone для извлечения карт признаков и эмбеддингов. Модель рассчитана на изображения размером 299 × 299 пикселей и содержит 26,9 млн параметров. Модель подходит для распознавания объектов и классов на изображениях, а также для получения визуальных признаков, используемых в последующих задачах компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

timm/coat_tiny.in1k — модель CoaT (Co-Scale Conv-Attentional Transformer) для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-1k; модель содержит 5,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и других классов ImageNet-1k на изображении, а также для получения эмбеддингов изображений в качестве признаков для последующих задач. Репозиторий содержит веса PyTorch, библиотека — timm. Лицензия Apache-2.0.

convnext_base.clip_laiona — модель семейства ConvNeXt из библиотеки timm, разработанная для извлечения признаков изображений. Это только визуальный энкодер CLIP, обученный на данных LAION; он преобразует изображение в векторное представление для последующего сравнения и поиска. Модель принимает изображения и выдаёт векторы признаков. Доступна под лицензией Apache-2.0.

Это визуальный энкодер ConvNeXt-Base из семейства CLIP, опубликованный в библиотеке timm. Веса обучены на данных LAION при разрешении изображения 320 пикселей; модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения. Модель принимает изображения и выдаёт векторы признаков. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в репозитории не представлены. Модель распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0; использовать её можно в приложениях, совместимых с timm.

convnext_large.dinov3_lvd1689m — модель извлечения признаков изображений из библиотеки timm. Это ConvNeXt Large с 196,2 млн параметров, предварительно обученная на наборе LVD-1689M методом самообучения DINOv3 и дистиллированная из DINOv3 ViT-7B. Для входных изображений указан размер 224 × 224. Модель предназначена для получения признаков и эмбеддингов изображений, а также может использоваться как основа для классификации. Такие представления подходят для построения поисковых и классификационных систем компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; для работы используется timm. В карточке указана лицензия DINOv3. Число операций составляет 34,4 GMACs; этот вычислительный объём следует учитывать при развёртывании. Данных о языковой поддержке нет, поскольку модель работает с изображениями.

convnext_tiny.dinov3_lvd1689m — модель извлечения признаков изображений из семейства ConvNeXt, опубликованная в timm. Она предварительно обучена на наборе LVD-1689M методом самообучения DINOv3 и дистиллирована из DINOv3 ViT-7B. Модель содержит 27,8 млн параметров, рассчитана на изображения размером 224 × 224 и выполняет 4,5 GMACs. Модель предназначена для получения карт признаков и эмбеддингов изображений, а также может использоваться как основа для классификации изображений. Её можно применять в визуальном поиске, группировке изображений и как визуальный backbone в компьютерном зрении. Для работы доступны веса PyTorch и safetensors через библиотеку timm. В карточке указана лицензия DINOv3; конкретные условия её применения следует сверять с лицензией проекта DINOv3. Модель обрабатывает изображения и сама по себе не предназначена для диалогового или текстового ввода.

ConvNeXt-V2 Large — модель компьютерного зрения для классификации изображений и извлечения признаков. Модель опубликована в библиотеке timm; она предварительно обучена методом FCMAE и дообучена на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors. Модель содержит около 198 млн параметров. Для обучения указано разрешение 224 × 224 пикселя, для тестирования — 288 × 288. Её можно использовать для предсказания классов ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Модель предназначена для изображений; сведения о поддерживаемых текстовых языках не относятся к её задачам.

cspdarknet53.ra_in1k — сверточная модель семейства CSP-DarkNet для классификации изображений и извлечения признаков. Её разработали и обучили в рамках библиотеки timm на ImageNet-1k с рецептом RandAugment; в карточке также описаны усреднение весов EMA и оптимизатор RMSProp. Модель содержит 27,6 млн параметров, требует изображения размером 256 × 256 пикселей и выполняет около 6,6 GMACs на изображение. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и получения визуальных эмбеддингов. Карточка не указывает поддержку текстового ввода или конкретных естественных языков. Распространяется по лицензии Apache-2.0.

DenseNet201.tv_in1k — сверточная модель классификации изображений из библиотеки timm, основанная на архитектуре DenseNet. Она обучена на ImageNet-1k с исходными весами torchvision и подходит для распознавания объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Модель содержит около 20 млн параметров, требует изображения размером 224 × 224 пикселя и выполняет примерно 4,3 GMAC на изображение. Модель принимает изображения и классифицирует их по категориям ImageNet-1k; промежуточные карты признаков и эмбеддинги можно использовать как основу для других задач компьютерного зрения. Реализация предназначена для работы с timm и опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

EIDORA/DINOv2_VITB14 — модель для получения векторных представлений изображений, разработанная EIDORA на основе оригинальной DINOv2 ViT-B/14 от Meta (Facebook Research). EIDORA преобразовала исходную модель в формат ONNX, но не является её первоначальным разработчиком. Модель предназначена для визуального группирования, поиска похожих изображений, retrieval, карт обнаружения и других задач, где требуется сравнивать изображения по семантическим и визуальным признакам. Она рассчитана прежде всего на коллекции естественных изображений и сценарии, в которых качество эмбеддингов важнее минимального времени работы на CPU. Модель принимает изображение и возвращает нормализованный float32-эмбеддинг размерности 768 в формате [batch, 768], предназначенный для сравнения с помощью cosine similarity. Это ONNX-модель среднего размера и средней вычислительной нагрузки, ориентированная на современные ноутбуки и настольные компьютеры; используется ONNX Runtime с CPU. В графе предусмотрена предобработка: центральное кадрирование по умолчанию, масштабирование значений на 1/255 и нормализация со средними [0.485, 0.456, 0.406] и стандартными отклонениями [0.229, 0.224, 0.225]. Исходная DINOv2 обучалась на наборе LVD-142M, содержащем 142 миллиона изображений. Сильными сторонами модели являются высокое качество визуального группирования и поиска по сравнению с более компактными вариантами. Она не предназначена для обработки текста, видео или аудио, а также для идентификации личности, биометрии, оценки намерений, защищённых атрибутов и других решений с высоким риском. Эмбеддинги могут наследовать пробелы в покрытии и предвзятость крупномасштабных веб-изображений. Пакет распространяется по лицензии Apache-2.0; версия пакета — 1.0.0, ONNX opset — 17.

facebook/dinov3-convnext-small-pretrain-lvd1689m — визуальная модель Meta AI из семейства DINOv3, предназначенная для извлечения признаков изображений. Это вариант ConvNeXt Small с 50 млн параметров, дистиллированный из DINOv3 ViT-7B и обученный на веб-данных LVD-1689M. Модель доступна в формате safetensors и используется через библиотеку Transformers. Модель формирует универсальные визуальные признаки, которые можно применять без дообучения для поиска похожих изображений, классификации, сегментации и других задач компьютерного зрения. Для классификации и ряда downstream-задач к признакам можно подключать простые линейные слои или другие небольшие модели. На вход подаются изображения; основное назначение — представление их визуального содержания в виде признаков. Лицензия указана как DINOv3 License, тип — other в метаданных; перед использованием следует проверить её условия. Среди известных ограничений отмечены различия качества признаков между регионами и доходными группами; дообучение на размеченных данных может усилить смещения.