I.8Изображения и компьютерное зрение

Raehoshi illust XL 3 — диффузионная модель генерации изображений по текстовому описанию, разработанная Raelina и дообученная на Illustrious XL v0.1. Она предназначена для создания иллюстраций по промптам в стиле тегов Booru; рекомендуемые параметры генерации включают CFG 5–6 и 28 шагов сэмплирования. Модель стремится уменьшить перенасыщенность и артефактный шум исходной модели, сохраняя её визуальный стиль, хотя полностью эти недостатки не устранены. Модель распространяется в форматах Diffusers и Safetensors. В метаданных указан английский язык; лицензия — Fair AI Public License 1.0-SD. Карточка предлагает настройки генерации и масштабирования через Hires.fix, но не сообщает размер модели или длину контекста.

Retro Diffusion — модель генерации изображений по текстовому описанию, опубликованная под именем Lost Media и сохранённая в архиве для дальнейшего доступа. Карточка указывает на использование библиотеки Diffusers и StableDiffusionPipeline. Модель предназначена для создания изображений в стиле пиксель-арта; пример описания также задаёт милую героиню в стиле чиби и фэнтези с уличной одеждой. Модель принимает текстовые запросы и генерирует изображения. В качестве лицензии указана Public Domain Mark 1.0. Карточка не приводит сведений о размере модели, длине контекста или поддерживаемых языках. Описание содержит пример промпта, но не подтверждает стабильность конкретных стилей или деталей на выходе.

LeFeujitif/sandbox — модель-адаптер LoRA для генерации изображений по текстовому описанию. Она представляет собой смесь LoRA-компонентов и предназначена для использования с базовой моделью Liberata/illustrious-xl-v1.0 в экосистеме Diffusers. В README не указаны точный состав смеси, её целевой стиль, дополнительные возможности или специальные сценарии применения. Модель распространяется в формате Safetensors. Ключевая модальность — text-to-image; сведения о размере, архитектуре адаптера, поддерживаемых языках, максимальном контексте и результатах оценки отсутствуют. Преимущество модели заключается в совместимости с указанной базовой моделью и компактном формате LoRA, однако качество и особенности генерации зависят от базовой модели и параметров применения адаптера. Лицензия и условия коммерческого использования в README не указаны.

Это копия модели Stable Diffusion, дообученной Lambda Labs на изображениях покемонов. Копия добавляет ветку fp16 для совместимости с сервером Stable Cabal GRPC. Модель принимает текстовое описание и генерирует изображение персонажа в стиле покемонов; обучалась на изображениях с подписями BLIP из набора lambdalabs/pokemon-blip-captions примерно на 15 000 шагах с использованием двух GPU A6000. Репозиторий содержит веса в формате Diffusers, PyTorch и safetensors. Лицензия в доступных данных не указана.

SenseNova-SI-1.1-Qwen2.5-VL-7B — мультимодальная модель SenseNova, разработанная для развития пространственного мышления на основе Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, чтобы формировать текстовые ответы. Максимальная длина контекста по метаданным — 128 000 токенов. Модель предназначена для пространственного анализа изображений и визуальных вопросов, сохраняя возможности общего мультимодального понимания. Разработчики обучали семейство SenseNova-SI на специально собранном наборе из восьми миллионов примеров с таксономией пространственных способностей и сообщают о результатах на нескольких бенчмарках пространственного мышления. Проект продолжает развиваться; в README не приведены отдельные оценки именно этой версии 7B. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не перечислены поддерживаемые языки и не описаны ограничения безопасности или точности; результаты бенчмарков не гарантируют качество на прикладных данных.

Модель sorupopic — версия Stable Diffusion, дообученная методом DreamBooth на концепции tyxxxszv. Для генерации изображений эту концепцию вызывают в текстовом запросе с помощью ключевого слова tyxxxszv. Модель предназначена для создания изображений по текстовым описаниям с добавлением обученной концепции. Она распространяется в форматах Diffusers и PyTorch по лицензии MIT. Карточка не приводит сведений о размере модели, длине контекста, языках запросов или ограничениях качества.

ydshieh/vit-gpt2-coco-en — модель для создания английских подписей к изображениям, опубликованная ydshieh. Она построена по архитектуре vision-encoder-decoder: визуальный энкодер ViT связан с языковым декодером GPT-2. Модель дообучена для генерации описаний изображений и служила доказательством концепции для фреймворка 🤗 FlaxVisionEncoderDecoder. Модель принимает изображение и генерирует текстовую подпись на английском языке. Она может подойти для автоматического описания изображений и демонстраций генерации подписей. Автор отмечает, что это не модель передового уровня, хотя она выдаёт приемлемые результаты. В карточке не приведены сведения о лицензии, поэтому условия использования по этим данным определить нельзя.

Waifu Diffusion 1.3 — модель генерации изображений по текстовому описанию, представленная Yntec. Это версия в формате Diffusers и safetensors, рассчитанная на изображения 768×768; в неё встроен VAE kl-f8-anime2. Модель преобразована из wd-v1-3-full.ckpt и использует вариант без EMA. Модель предназначена прежде всего для создания иллюстраций в аниме-стиле, персонажей и фантастических сцен. Также примеры показывают, что она может создавать изображения в других художественных стилях. Для качественного результата часто требуются тщательно составленные промпты и негативные промпты, особенно при разрешении 768×768. Лицензия — CreativeML OpenRAIL-M.

Модель vineetsarpal/yolov11n-car-damage — компактная версия YOLOv11-Nano, дообученная на обнаружение и классификацию повреждений автомобилей. Разработчик заявляет 14 категорий повреждений кузова и деталей: вмятины на дверях, капоте, крыше и бамперах, а также повреждения стёкол, фар, зеркал и других элементов. Модель создана с использованием Ultralytics и работает с изображениями размером 640×640; веса представлены в формате PyTorch. Модель предназначена для автоматизации первичной оценки состояния автомобиля: обработки страховых заявлений, осмотра машин, оценки ремонта и контроля автопарка. Для набора данных примерно из 6 900 размеченных изображений автор указывает mAP@0.5 79,7% и mAP@0.5:0.95 55,2%, а также возможность инференса в реальном времени. Лицензия — Apache-2.0. Точность хуже для класса boot-dent из-за малого числа примеров в обучении; качество также снижается на изображениях низкого разрешения, при плохом освещении и низком контрасте.

Yume-5B-720P — модель генерации видео семейства Yume-1.5, представленная пользователем stdstu123. Она предназначена для создания интерактивных и непрерывных видеомиров по изображению или текстовому запросу; в Hugging Face указана задача image-to-video. В README описаны длительная генерация видео с компрессией контекста и линейным вниманием, ускорение потоковой генерации с помощью дистилляции двунаправленного внимания и управление событиями в мире текстовыми запросами. Модель рассчитана на сценарии, где пользователь задаёт изображение и исследует сгенерированное окружение с клавиатуры. README также упоминает генерацию конкретных событий по тексту, однако доступные сведения не позволяют определить точные характеристики интерактивного интерфейса, поддерживаемые языки или качество результатов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Zero Nans v10 SDXL — модель генерации изображений по текстовому описанию, опубликованная John6666 и созданная SulphAI. Модель основана на Laxhar/noobai-XL-Vpred-1.0 и представляет собой объединённую (merge) версию семейства Stable Diffusion XL с v-prediction, предназначенную для работы через библиотеку Diffusers и StableDiffusionXLPipeline. Модель ориентирована прежде всего на создание аниме-изображений, включая персонажей и иллюстрации с девушками. Она принимает текстовые запросы на английском языке и генерирует изображения в соответствии с описанием сцены, внешности, композиции и стиля. В карточке модели не указаны число параметров и длина контекста. Модель подходит для художественной генерации и прототипирования визуального контента в аниме-стилистике. Результаты зависят от качества текстового запроса, настроек инференса и совместимости используемого пайплайна. Модель распространяется по лицензии faipl-1.0-sd; перед использованием необходимо ознакомиться с её условиями.

MLbackup/01_2025 — модель для генерации изображений по текстовому описанию, опубликованная в формате, совместимом с библиотекой Diffusers. По карточке она представляет собой safetensors-бэкап или производную от моделей AstraliteHeart/pony-diffusion-v6, stabilityai/stable-diffusion-xl-base-1.0 и OnomaAIResearch/Illustrious-xl-early-release-v0; также указана принадлежность к семейству LoRA и PonyXL. Основной сценарий использования — создание художественных и anime-изображений из текстовых промптов. Модель ориентирована на английский язык и относится к text-to-image pipeline. Точные сведения о размере, архитектуре конкретного файла, поддерживаемых разрешениях, длине контекста и фактическом наборе модальностей в карточке не указаны. К сильным сторонам относятся использование экосистемы Stable Diffusion XL и специализация на художественной и anime-генерации. Ограничения включают отсутствие подробной документации по качеству, настройке и совместимости, а также пометку о контенте не для всех аудиторий. Модель распространяется по лицензии CreativeML Open RAIL-M. Условия лицензии и ограничения на использование следует учитывать перед применением, особенно в сценариях, связанных с распространением сгенерированных материалов.

Anima-2.9B — модель генерации изображений по текстовому описанию, созданная автором репозитория как дообучение и расширение слоёв circlestone-labs/Anima. Она предназначена прежде всего для создания аниме-иллюстраций и другого непохожего на фотографию арта. Модель использует архитектуру AnimaDiT с 40 трансформерными слоями и примерно 2,9 млрд параметров; обучена на дополнительных 1,7 млн образцов аниме и иллюстраций. Поддерживает английские подписи, сочетающие теги и естественный язык. Модель рассчитана на подробные промпты: теги качества и периода, имена персонажей и художников, теги произведения и внешности помогают управлять результатом. Автор рекомендует ComfyUI и Forge-Neo, а также приводит настройки генерации для разрешений от 812×1216 до 1536×1536. Короткие запросы могут давать простые фоны и менее точные результаты; многоперсонажные сцены требуют явного связывания тегов с персонажами. Лицензия указана как other, поэтому конкретные условия использования следует проверять на странице модели.

Карточка модели guoyww/animatediff-motion-lora-zoom-out на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. guoyww/animatediff-motion-lora-zoom-in — Motion LoRA для AnimateDiff, предназначенная для добавления эффекта приближения камеры к генерируемой анимации. Она рассчитана на использование с чекпойнтом guoyww/animatediff-motion-adapter-v1-5-2 и подключается в пайплайне text-to-video на базе Diffusers. Репозиторий содержит веса в формате safetensors. Модель подходит для создания коротких видеоклипов по текстовому описанию с движением zoom-in. Это специализированный адаптер движения, а не самостоятельная модель генерации видео; условия лицензирования в предоставленных материалах не описаны.

Карточка модели chxovo/anything-v5 на Hugging Face совпадает с карточкой genai-archive/anything-v5, поэтому описание составлено по ней. Anything V5 — модель генерации изображений по текстовому описанию из семейства Anything, связанного с автором проекта «万象熔炉»; этот репозиторий представляет собой повторную загрузку файлов с ModelScope. Модель предназначена прежде всего для создания изображений в аниме-стиле. Она доступна в формате Diffusers на базе PyTorch с весами Safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Для получения нужного результата карточка рекомендует точные и подробные промпты: одной короткой подсказки может быть недостаточно. В README также приведён пример настроек Euler A, 20 шагов, CFG 7 и Clip Skip 2, но разрешается использовать другие семплеры и параметры. Для варианта NoVAE требуется отдельно выбрать внешний VAE. В карточке описаны несколько версий и вариантов семейства, поэтому характеристики отдельных вариантов, например совместимость с LoRA или наличие VAE, нельзя автоматически переносить на все файлы репозитория.

Ars-AI разработала Ars-Divina-7.2.4a-0.1a как смешанную модель для генерации изображений по текстовым запросам. В состав смеси вошли Illustrious-XL, NoobAi и Pony Diffusion; модель распространяется в формате Diffusers с весами Safetensors и использует архитектуру Stable Diffusion XL. Модель рассчитана на создание изображений с плоскими цветовыми тонами. В карточке приведены рекомендации по промптам, настройкам сэмплера и размерам изображений, включая варианты около 1024 пикселей. Для использования нужны текстовый запрос и совместимый интерфейс Diffusers. Лицензия — OpenRAIL++. Качество результата зависит от промпта и настроек генерации. Рекомендации README по сэмплеру, числу шагов и CFG служат отправной точкой, а не гарантией результата.

bb95-furry-mix — модель генерации изображений по текстовому запросу, опубликованная под идентификатором stablediffusionapi/bb95-furry-mix и предназначенная для использования через сервис ModelsLab. В карточке приведён пример запроса к API с настройкой размера изображения, числа шагов генерации, seed и guidance scale; пример использует разрешение 512 × 512 и 30 шагов. Метаданные указывают на StableDiffusionPipeline и форматы Diffusers, PyTorch и safetensors. Модель подходит для создания изображений по описаниям, в том числе фэнтезийных и furry-образов. В примере API также указаны параметры negative prompt, усиления запроса и safety checker. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки; пример запроса составлен на английском. Лицензия — CreativeML OpenRAIL-M. Качество и ограничения генерации отдельно не описаны.

BigLust_v17 — модель-адаптер LoRA для генерации изображений по текстовому описанию, опубликованная пользователем letom06200. В карточке она классифицирована как text-to-image и предназначена для использования в экосистеме Diffusers. README также содержит пример виджета с текстовым вводом и изображением-результатом. Сведения об архитектуре базовой модели, размере адаптера, поддерживаемых языках, контекстном окне, точных сценариях применения и качестве генерации отсутствуют. Базовая модель не указана, поэтому совместимость и требования к запуску определить нельзя. Лицензия в карточке не указана; условия использования следует уточнять отдельно у автора или в файлах репозитория.

CG_GuoFeng_Mix_SD1.5 — диффузионная модель генерации изображений по текстовому описанию от Tasty-Rice. Она предназначена для создания иллюстраций в эстетике GuoFeng по текстовым запросам на английском языке и доступна в формате safetensors для библиотеки Diffusers. Модель основана на Stable Diffusion 1.5; дополнительных сведений об архитектуре, размере и длине контекста в предоставленных данных нет. Модель подходит для генерации художественных изображений по промптам. Лицензия CC-BY-NC-SA-4.0 и дополнительные условия автора ограничивают коммерческое использование: размещение модели или производных сервисов с доходом или пожертвованиями запрещено без согласования, а продажа сгенерированных изображений ограничена. Автор также запрещает намеренно создавать или распространять незаконный и вредный контент.

li-yan/diffusion-aurora-256 — модель генерации изображений на основе диффузии, обученная автором репозитория на наборе данных huggan/few-shot-aurora. Она предназначена для создания изображений северного сияния размером 256 × 256 пикселей без текстового запроса. Модель использует DDPMPipeline из библиотеки Diffusers и распространяется в формате safetensors. Модель подходит для генерации визуальных примеров и иллюстраций северного сияния. README приводит примеры запуска через Diffusers, включая вариант с DDPMPipeline. Условия лицензии в предоставленных данных не описаны.

DiffusionGemma-26B-A4B-it-4bit — это 4-битная модель в формате MLX, преобразованная сообществом mlx-community из google/diffusiongemma-26B-A4B-it с использованием mlx-vlm 0.6.3. Модель предназначена для задач image-text-to-text: она принимает изображение и текстовый запрос и генерирует текстовый ответ, например описание изображения. Из доступных данных известно, что базовая модель относится к семейству DiffusionGemma и имеет обозначение 26B-A4B. Поддерживается запуск через библиотеку mlx-vlm, что ориентировано на выполнение моделей в экосистеме MLX. Другие характеристики, включая архитектуру, точное число активируемых параметров, языки, размер контекста и дополнительные модальности, в карточке не указаны. Ключевое преимущество модели — 4-битное квантование и формат MLX, потенциально упрощающие локальный запуск на совместимом оборудовании. Ограничения и результаты сравнительных оценок в README не приведены, поэтому качество, производительность и аппаратные требования нельзя достоверно оценить. Модель распространяется по лицензии Apache-2.0; для полного описания условий следует учитывать лицензию Gemma, на которую ссылается карточка.

Double Exposure Diffusion — модель на базе Stable Diffusion для генерации изображений с эффектом двойной экспозиции. Версия 2 обучена специально на изображениях людей и нескольких животных; стиль можно вызвать в запросе токеном «dublex style» или «dublex». Модель предназначена для создания художественных изображений по текстовым описаниям. В репозитории представлены веса в форматах Diffusers, PyTorch и safetensors; лицензия — CreativeML OpenRAIL-M. Карточка также упоминает embedding для SD 2.x, но не уточняет его связь с опубликованными файлами.

Yntec/DreamlikeDiffusion — версия модели Dreamlike Diffusion для генерации изображений по текстовому описанию. В README указано разрешение 768×768 и встроенный VAE 840K, который предназначен для улучшения деталей, особенно глаз. Метаданные относят модель к семейству Stable Diffusion и указывают форматы Diffusers и safetensors. Модель подходит для создания художественных и стилизованных изображений, портретов, фантастических сцен и иллюстраций по текстовым запросам. Примеры в карточке охватывают сказочные сцены, ретро-фотографию и фантастические пейзажи. В качестве языка карточки указан английский. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты. Карточка не приводит результатов тестирования или подробностей об ограничениях качества.

Duchaiten Real3D NSFW XL — модель генерации изображений по текстовому описанию, опубликованная под идентификатором stablediffusionapi/duchaiten-real3d-nsfw-xl и предназначенная для работы через API ModelsLab. Карточка указывает на конвейер Stable Diffusion XL и формат Diffusers; примеры запросов предлагают создавать фотореалистичные портреты и сцены, задавая положительный и отрицательный промпты, размер изображения и параметры генерации. Модель рассчитана на создание реалистичных изображений, включая контент для взрослой аудитории. В примере API используются изображения 1024×1024, 30 шагов генерации и параметр guidance scale 7.5; это пример настроек, а не гарантированные характеристики качества. Данные карточки не сообщают размер весов, контекстный лимит или поддерживаемые языки промптов. Лицензия — CreativeML Open RAIL-M. Пример API допускает отключение safety checker, поэтому при использовании следует учитывать возможность генерации небезопасного или откровенного контента.

anthienlong/enhanceaiteam_uncensored — модель-адаптер LoRA для генерации изображений по текстовому описанию, разработанная пользователем или организацией anthienlong/enhanceaiteam. Она предназначена для использования с библиотекой Diffusers и базовой моделью black-forest-labs/FLUX.1-dev. В карточке модель описана как «Uncensored»; дополнительных сведений о конкретных сценариях применения и особенностях получаемых изображений не приведено. Известно, что веса распространяются в формате Safetensors. Архитектура адаптера, размер, поддерживаемые языки, максимальная длина контекста, требования к ресурсам и количественные показатели качества не указаны. Лицензия обозначена как unknown, поэтому условия использования требуют отдельного уточнения. README также не содержит достаточной информации о сильных сторонах и ограничениях модели.

DeverStyle/Flux.2-Klein-Loras — набор LoRA-адаптеров, разработанный пользователем или организацией DeverStyle для модели black-forest-labs/FLUX.2-klein-9B Distilled. Адаптеры предназначены для генерации изображений по текстовому описанию и преобразования изображений в различных художественных стилях, включая Orange Splatter, Teal Dark, Blueprint/Wireframe, стилистику событий и карточек Slay the Spire 2, Cyanide and Happiness, Arcane и Devil May Cry, а также концепцию одежды на бельевой верёвке. Набор поддерживает text-to-image и, для некоторых адаптеров, image-to-image и редактирование изображений. Для активации стилей используются специальные триггерные слова, например dvr_osi_style, dvr_tldr_style, dvr_wf_style, sts2_style, ch_visual_style, arcane_visual_style и dmc_style. Для отдельных стилей рекомендуются дополнительные текстовые модификаторы; некоторые варианты имеют экспериментальный статус. Архитектура и размер соответствуют LoRA-адаптерам для базовой модели FLUX.2-klein-9B, однако сведения о языках и размере контекста не указаны. Сильная сторона набора — разнообразие специализированных визуальных стилей и возможность применять их в генерации, преобразовании и редактировании изображений. Ограничения включают возможное появление фотореалистичного результата при некоторых запросах и необходимость подбора силы адаптера и формулировок промпта. Распространение заявлено по лицензии Apache-2.0, но автор отдельно указывает, что адаптеры предназначены для исследовательских, а не коммерческих целей; отдельные стили могут быть связаны с защищёнными авторским правом произведениями, поэтому пользователь самостоятельно отвечает за соблюдение законодательства.

Koda Diffusion (Flux) — модель для генерации изображений, разработанная пользователем alvdansen. Это LoRA-адаптер для text-to-image, предназначенный для работы на базе black-forest-labs/FLUX.1-dev через Diffusers и совместимые инструменты. Модель ориентирована на создание сцен в эстетике ностальгической фотографии начала 1990-х годов: снимков на одноразовые камеры, спонтанных бытовых сюжетов и дорожных зарисовок. Ключевая особенность модели — визуальный стиль с немного выцветшими цветами, мягким фокусом, эффектами засветки и плёночным зерном. Она подходит для портретов, натюрмортов, пейзажей, сцен повседневной жизни и реалистичных сюжетов с ощущением случайного кадра из семейного фотоальбома или туристического дневника. Для активации рекомендуется использовать триггерную фразу «flmft style»; также могут быть полезны слова kodachrome, blurry, realistic, still life, scenery, depth of field и light particles. Веса доступны в формате Safetensors. В README не указаны размер адаптера, поддерживаемые языки, максимальный контекст, требования к аппаратному обеспечению и количественные оценки качества. Лицензия модели — CreativeML Open RAIL-M; условия базовой модели FLUX.1-dev отдельно не раскрыты в представленном описании.

Fresh Ink — модель генерации изображений по текстовым описаниям, созданная объединением Tantrum с Fresh Hell: HELLMix, в которую встроена LoRA Cute and Fresh. Для включения указанного в карточке стиля используйте триггер j_guofeng в промпте. Примеры демонстрируют милые 2D-сцены с персонажами и животными в аниме-стиле. Модель предназначена для создания иллюстраций по промптам через StableDiffusionPipeline библиотеки diffusers. Файлы представлены в форматах diffusers и safetensors; лицензия — CreativeML OpenRAIL-M. Размер модели, число параметров и длина контекста в доступных данных не приведены.

Hikari Noob v-pred 1.2.1 — модель генерации изображений по текстовому описанию, созданная на основе NoobAI-XL (v-prediction) и дообученная на изображениях в определённом художественном стиле. Разработчик сообщает, что модель не смешивалась с другими базовыми моделями; в неё объединена LoRA с оптимизацией предпочтений с учётом шага (SPO). Это SDXL-модель для создания аниме-иллюстраций с человеческой художественной стилистикой. Модель рассчитана на генерацию ярких иллюстраций по промптам. Её базовый стиль выражен умеренно, поэтому его можно менять с помощью промптов и LoRA. В README отмечены улучшения стабильности и качества, а также поддержка v-prediction и Zero Terminal SNR. Для работы рекомендуются актуальные версии ComfyUI, Forge или reForge; для AUTOMATIC1111 требуется ветка dev. В карточке указана лицензия Fair AI Public License 1.0-SD: при изменении модели необходимо распространять изменения вместе с исходной лицензией, а закрытые производные модели нельзя монетизировать.

Jib Mix Flux v8 AccentuEight NSFW — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Репозиторий использует Diffusers и помечен как Flux dev; в карточке указаны реалистичный и фотореалистичный стили, а также английский язык. Пример загрузки показывает использование точности bfloat16. Модель предназначена для создания изображений по текстовым запросам, включая контент для взрослой аудитории. Карточка не сообщает размер архитектуры, длину контекста или подробные результаты оценки. Указана лицензия flux-1-dev-non-commercial-license, поэтому коммерческое использование ограничено её условиями.