I.8Изображения и компьютерное зрение

Florence-2-base-ft — конвертированный для Transformers чекпойнт модели Florence от Microsoft, дообученный на наборе задач компьютерного зрения. Это плотная encoder-decoder модель семейства Florence-2 с архитектурой последовательность-в-последовательность и размером 0,23 млрд параметров. Она принимает изображения и текстовые запросы, позволяя одной моделью выполнять описание изображений, обнаружение объектов, генерацию описаний областей, локализацию фраз, OCR и визуальные вопросы и ответы. Модель предназначена для универсального анализа изображений через prompt-запросы, включая сценарии, где нужно получить текстовое описание, распознать надписи или найти и описать объекты и области. В карточке для этого чекпойнта указано продолжение предобучения Florence-2-large с контекстом 4K, но также отмечено, что использовалось лишь 0,1 млрд примеров и модель могла быть обучена недостаточно хорошо; для OCR изменён разделитель строк. Эти сведения расходятся с таблицей README, где Florence-2-base-ft указан как дообученный вариант размером 0,23 млрд параметров, поэтому характеристики обучения именно этого репозитория описаны в карточке неоднозначно. Файлы доступны в формате safetensors, библиотека — Transformers; лицензия MIT.

Florence-2-large — модель компьютерного зрения и обработки изображений с текстовыми запросами, размещённая в сообществе Florence Community как преобразованный чекпойнт Microsoft Florence. Это продолженное предварительное обучение Florence-2-large с контекстом 4k; автор карточки предупреждает, что для продолжения использовали лишь 0,1 млрд примеров и модель могла обучиться недостаточно хорошо. Архитектура — последовательность-последовательность, размер исходной Florence-2-large составляет 0,77 млрд параметров; чекпойнт представлен в safetensors и рассчитан на Transformers. Модель выполняет по текстовой инструкции генерацию подписей к изображениям, обнаружение объектов, описание областей, привязку фраз к областям, предложения регионов и OCR, в том числе с координатами распознанного текста. Она подходит для анализа изображений, извлечения текста и локализации объектов в сценариях zero-shot или после дообучения. Карточка не подтверждает конкретный набор поддерживаемых языков. Лицензия — MIT.

Florence-2-large-ft — преобразованный для Transformers чекпойнт модели Florence от Microsoft, дообученный для набора задач компьютерного зрения. Модель использует плотную архитектуру Florence-2 с генерацией последовательностей по текстовым запросам; размер исходной Florence-2-large составляет 0,77 млрд параметров. Она принимает изображение и текстовый запрос, а в ответ может создавать подписи и описания, распознавать текст, находить объекты и области изображения, связывать фразы с областями и предлагать регионы. Модель предназначена для универсального анализа изображений, включая создание подписей, OCR и визуальные вопросы и ответы. В карточке указано, что этот вариант продолжает предобучение Florence-2-large на 0,1 млрд примеров; автор предупреждает, что такое обучение могло оказаться недостаточным. Для OCR в этой версии используется символ перевода строки между строками. Контекст — 4 тысячи токенов. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT.

FocalNet Tiny SRF — модель классификации изображений и извлечения признаков из семейства FocalNet, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k; в карточке указаны 28,4 млн параметров, вычислительная сложность 4,4 GMAC и стандартный размер изображения 224 × 224 пикселя. Модель подходит для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Чекпойнт представлен в форматах PyTorch и safetensors и распространяется по лицензии MIT. Для использования требуется изображение; модель выдаёт оценки классов либо признаки, в зависимости от выбранного сценария. Она обучена на ImageNet-1k, поэтому её классы и качество могут не соответствовать специализированным предметным областям без дополнительной адаптации.

GC-ResNeXt50ts.ch_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная на ImageNet-1k в библиотеке timm. Она основана на ResNeXt с механизмом Global Context attention, трёхслойным стемом и активациями SiLU; архитектура реализована через BYOBNet. Модель содержит 15,7 млн параметров и требует изображения размером 288 × 288 для тестирования (при обучении использовался размер 256 × 256). Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка описывает её как исходную модель timm, а не как дообучение другой модели.

Это модель извлечения признаков изображений: визуальный энкодер ViT из мультимодальной языковой модели Google Gemma 4 E4B-it, опубликованный в формате для библиотеки timm. Веса перенесены напрямую из исходной модели; автор заявляет о побитовом совпадении выходов с реализацией Gemma4VisionModel в Hugging Face Transformers на одинаковых входах. Архитектура — специализированный Vision Transformer с двумерным RoPE, gated MLP с GELU-tanh, RMS-нормализацией Q/K/V и пространственным soft-token pooling. Модель содержит 167,4 млн параметров и рассчитана на изображения 768 × 768. Поддерживает переменное разрешение в стиле NaFlex, а также входные изображения и предварительно разбитые на патчи тензоры с координатами и маской валидности. Энкодер предназначен для получения карт признаков и эмбеддингов изображений, которые можно использовать в последующих системах компьютерного зрения или мультимодальных конвейерах. Он принимает изображения, а на выходе формирует векторные представления. Лицензия — Apache 2.0.

Grounding DINO Base — модель обнаружения объектов с открытым набором классов, представленная авторами исследования «Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection». Архитектура Grounding DINO объединяет детектор объектов DINO с текстовым энкодером, чтобы находить на изображении объекты, соответствующие текстовым описаниям или названиям классов. Модель предназначена для обнаружения объектов без заранее размеченных примеров для каждого класса. Её можно использовать для поиска объектов по текстовому запросу и zero-shot-детекции; в README сообщается результат 52,5 AP на COCO в режиме zero-shot. Репозиторий содержит веса PyTorch и safetensors. Модель принимает изображение и текстовый запрос, а выдаёт координаты обнаруженных объектов и оценки уверенности. Карточка не приводит сведения о поддерживаемых естественных языках или ограничениях качества по типам изображений. Лицензия — Apache-2.0.

timm/hgnet_small.paddle_in1k — модель классификации изображений семейства HGNet (High Performance GPU Net), подготовленная авторами модели и представленная в библиотеке timm. Она обучена на ImageNet-1k и может использоваться как классификатор или как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 24,4 млн параметров и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Модель предназначена для распознавания объектов из набора классов ImageNet-1k и получения визуальных признаков. Её область применения ограничена задачами общего распознавания изображений; карточка не описывает специальную адаптацию к другим наборам данных или предметным областям.

hrnet_w18_small.gluon_in1k — модель классификации изображений семейства HRNet, обученная авторами Apache MXNet GluonCV на ImageNet-1k. Она предназначена для отнесения изображений к классам ImageNet, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 13,2 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 1,6 GMACs. Архитектура HRNet поддерживает высокое пространственное разрешение признаков. В репозитории представлены веса PyTorch в формате safetensors; лицензия — Apache-2.0. Модель подходит для базовой классификации изображений и как компонент компьютерного зрения. Обучение на ImageNet-1k задаёт область распознаваемых объектов и может ограничивать качество на изображениях из других предметных областей.

HRNet-W18 Small v2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она обучена авторами статьи на ImageNet-1k; в репозитории timm опубликованы веса в форматах PyTorch и safetensors под лицензией MIT. Модель содержит около 15,6 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную стоимость около 2,6 GMAC. Её можно использовать для определения класса изображения, извлечения карт признаков и получения визуальных эмбеддингов. Это модель общего назначения, обученная на ImageNet-1k. При применении к изображениям из других областей или с иным распределением классов качество может снижаться; README не приводит численные показатели точности.

InceptionNeXt Base SAIL IN1K — модель классификации изображений и визуальный backbone семейства InceptionNeXt, обученный авторами статьи на ImageNet-1k. Репозиторий распространяет веса в форматах PyTorch и safetensors и предназначен для использования через библиотеку timm. Модель принимает изображения размером 224 × 224 и классифицирует их по категориям ImageNet-1k. Её также можно использовать как backbone для извлечения карт признаков и визуальных эмбеддингов в задачах компьютерного зрения. Модель содержит около 86,7 млн параметров и требует примерно 14,9 GMAC на проход. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Модель обучена на ImageNet-1k, поэтому её качество и переносимость на другие наборы классов или предметные области могут отличаться; для таких сценариев может потребоваться дообучение.

lambda_resnet26t.c1_in1k — модель классификации изображений семейства LambdaNet на основе архитектуры ResNet, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Она предназначена для отнесения изображений к классам, извлечения карт признаков и получения эмбеддингов изображений. Архитектура реализована через BYOBNet и сочетает блоки ResNet с Lambda-блоками для моделирования пространственных взаимодействий; авторская конфигурация сокращает число блоков самовнимания и не повторяет в точности конфигурацию какой-либо конкретной статьи. Модель содержит 11 млн параметров, рассчитана на входные изображения размером 256 × 256 и требует около 3 GMACs. Весовые файлы представлены в форматах PyTorch и safetensors. Для использования доступны сценарии классификации и извлечения признаков через timm. Лицензия — Apache-2.0.

levit_conv_128s.fb_dist_in1k — модель классификации изображений семейства LeViT, опубликованная в репозитории timm. Это компактный вариант с 7,8 млн параметров и вычислительной сложностью 0,3 GMACs; модель принимает изображения размером 224 × 224. Она предварительно обучена авторами статьи на ImageNet-1k с дистилляцией и использует линейный режим с nn.Linear и nn.BatchNorm1d. Модель подходит для классификации изображений на категории ImageNet-1k, а также может использоваться как визуальный backbone для извлечения эмбеддингов и карт признаков. Компактный размер и небольшая вычислительная сложность делают её пригодной для сценариев, где важны быстрый инференс и экономия ресурсов. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель предназначена для изображений общего назначения. Её заявленный размер входа — 224 × 224; сведения о языковых возможностях к ней неприменимы. Качество за пределами ImageNet-1k и специализированных областей в карточке не описано.

MaxViT XLarge TF 384 — модель классификации изображений семейства MaxViT, разработанная авторами MaxViT и перенесённая из официальной реализации TensorFlow в PyTorch Россом Уайтманом для timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; подходит для отнесения изображений к категориям и как визуальная основа для извлечения признаков и эмбеддингов. Архитектура MaxViT сочетает блоки MBConv со слоями самовнимания по оконным и сеточным разбиениям. Модель содержит около 475,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. В таблице карточки для неё указана точность Top-1 88,32% на ImageNet-1k. Модель принимает изображения и выдаёт оценки классов. Её большой размер и вычислительная стоимость могут затруднить запуск на ограниченном оборудовании. Лицензия репозитория — Apache-2.0.

timm/mixnet_s.ft_in1k — модель классификации изображений из семейства MixNet, опубликованная в библиотеке timm. Это версия для PyTorch, дообученная на ImageNet-1k на основе исходных весов TensorFlow с padding типа SAME. Модель также можно использовать как сверточный backbone для извлечения карт признаков и эмбеддингов изображений. В модели около 4,1 млн параметров; для входных изображений указано разрешение 224 × 224, вычислительная сложность — 0,3 GMACs. Она предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных признаков. Лицензия репозитория — Apache-2.0. Данные карточки не описывают ограничения точности или гарантии качества; результаты могут зависеть от соответствия входных изображений обучающим данным и параметрам предобработки.

MM Grounding DINO Base — модель обнаружения объектов на изображениях, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов по текстовым описаниям без предварительной настройки под фиксированный набор классов. По сравнению с Grounding DINO в ней улучшена контрастивная голова классов и устранено совместное использование параметров декодером; в README сообщается о результатах на COCO и LVIS. Модель обучалась на наборах Objects365, GOLD-G, V3Det, COCO, LVIS, GRIT и RefCOCO. Репозиторий использует архитектуру MM Grounding DINO и формат safetensors; библиотека запуска — Transformers. Модель принимает изображение и текстовый запрос с названиями или описаниями объектов, а выдаёт найденные объекты с рамками и оценками. Она подходит для поиска объектов по произвольным текстовым категориям и для прототипирования систем визуального поиска. Данные карточки не уточняют размер чекпойнта и поддерживаемые языки запросов. Лицензия Apache-2.0.

MM Grounding DINO large — модель компьютерного зрения семейства Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов на изображениях по текстовым запросам в режиме zero-shot, без необходимости заранее ограничивать поиск фиксированным набором классов. Модель улучшает контрастивную классификационную голову Grounding DINO и устраняет совместное использование параметров в декодере. Этот вариант обучен на Objects365v1, Open Images v6 и GOLD-G. В README сообщается об улучшении zero-shot результатов на COCO и LVIS относительно Grounding DINO; размер модели и параметры контекста не приводятся. Модель принимает изображение и текстовое описание искомых объектов и возвращает обнаруженные объекты с рамками и оценками. Репозиторий содержит веса Safetensors, используется библиотека Transformers. Лицензия — Apache-2.0. Результаты зависят от формулировки запроса и обучающих данных; приведённая в README таблица метрик относится к вариантам tiny, поэтому её показатели нельзя напрямую считать оценкой этого large-чекпойнта.

MM Grounding DINO Tiny — модель компьютерного зрения семейства MM Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов на изображениях по текстовым описаниям, в том числе в режиме zero-shot, без необходимости заранее ограничивать запрос фиксированным набором классов. Модель использует архитектуру MMGroundingDinoForObjectDetection с визуальным backbone Swin-T. Вариант из этого репозитория обучен на Objects365v1, GOLD-G, GRIT и V3Det. В README приведены результаты на COCO и LVIS; для близкого варианта с тем же набором данных Objects365v1, GOLD-G и V3Det указаны 50,6 mAP на COCO и 30,6 AP на LVIS Val1.0. Модель принимает изображение и текстовые запросы с названиями объектов, а выдаёт обнаруженные объекты с рамками и оценками. README не сообщает поддерживаемые естественные языки запросов. Репозиторий распространяется по лицензии Apache-2.0.

Это модель классификации изображений MobileNetV2, обученная разработчиками timm на ImageNet-1k с рецептом RandAugment. Она предназначена для определения объектов на изображениях и может использоваться как компактная базовая сеть для извлечения признаковых карт и эмбеддингов. Модель содержит 6,1 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,6 GMAC на обработку изображения. В обучении применялись оптимизатор RMSProp, усреднение весов EMA и ступенчатое экспоненциальное расписание скорости обучения. Репозиторий содержит веса PyTorch и safetensors; библиотека для работы — timm. Модель обучена на ImageNet-1k, поэтому её классы и качество ограничены этой предметной областью и данными обучения. Лицензия — Apache-2.0.

Это свёрточная модель MobileNetV4 для классификации изображений, разработанная Россом Уайтманом и опубликованная в библиотеке timm. Модель обучена на ImageNet-12k; в карточке указаны 23,6 млн параметров, 2,5 GMAC и размер входного изображения 384 × 384 пикселя. Модель предназначена для присвоения изображениям классов, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Компактные вычислительные требования делают её подходящей для классификации изображений в приложениях, где важны скорость и эффективность. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-12k; качество на других наборах данных и предметных областях может отличаться, а для прикладного использования может потребоваться настройка или проверка на целевых данных.

Это модель классификации изображений семейства MobileNetV4, опубликованная Россом Уайтманом в библиотеке timm. Она обучена на ImageNet-1k; вариант hybrid medium содержит 11,1 млн параметров и рассчитан на работу с изображениями высокого разрешения: размер обучения — 384×384 пикселя, размер тестирования — 448×448. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В карточке приведён результат Top-1 84,99% для другой модели MobileNetV4 из сравнительной таблицы, поэтому его нельзя считать показателем этого чекпойнта. Для данной версии указаны 3,0 GMACs и 21,2 млн активаций. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Автор отмечает, что это одни из немногих известных весов MobileNetV4, а официальные веса TensorFlow на момент составления карточки не были выпущены.

MobileViT-v2 150 — модель классификации изображений из семейства MobileViT-v2, опубликованная авторами статьи «Separable Self-attention for Mobile Vision Transformers» и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k; содержит 10,6 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Веса представлены в форматах PyTorch и safetensors. Лицензия в метаданных указана как other; README отсылает к отдельным условиям лицензирования без уточнения их содержания.

MobileViT-v2 — компактная модель классификации изображений и извлечения визуальных признаков из семейства timm. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит 14,3 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность 5,5 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Компактная архитектура и умеренная вычислительная сложность делают её подходящей для задач компьютерного зрения с ограниченными ресурсами. Карточка ссылается на статью «Separable Self-attention for Mobile Vision Transformers». Лицензия обозначена как other; конкретные условия в доступных данных не приведены.

MobileViT-v2 200 — модель классификации изображений и извлечения визуальных признаков из семейства MobileViT-v2, размещённая авторами проекта timm и обученная авторами статьи на ImageNet-1k. Модель содержит 18,4 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную стоимость 7,2 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Компактная архитектура на основе Mobile Vision Transformer рассчитана на сценарии компьютерного зрения с ограниченным бюджетом вычислений. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия указана как other, а карточка отсылает за её условиями к отдельным сведениям о лицензии.

Motif Vision Encoder — разработанная Motif Technologies самоконтролируемая модель визуального кодирования на базе ViT, предназначенная для извлечения признаков из изображений и видео. Единый 3D-свёрточный токенизатор обрабатывает изображение как клип из одного кадра, а видео — как последовательность кадров; модель формирует плотные признаки патчей и глобальное представление CLS, согласованное с языковым пространством. Архитектура — ViT-7B с размерностью 4096, 40 слоями, 32 головами внимания и патчами 16×16; используются 3D axial RoPE, SwiGLU и четыре register-токена. По данным карточки, модель обучена примерно на 0,5 млрд образцов и показывает сильные результаты в переносе точек по видео и конкурентные показатели на визуальных бенчмарках. Для изображений процессор масштабирует короткую сторону до 512 пикселей, затем делает центральное кадрирование 512×512; высота и ширина должны быть кратны 16. Модель требует значительных вычислительных ресурсов из-за размера ViT-7B. Лицензия — MIT.

NesT Base — модель классификации изображений и извлечения визуальных признаков из семейства Nested Hierarchical Transformer. Её обучили авторы статьи на ImageNet-1k с помощью JAX, затем Александр Соаре перенёс веса в PyTorch; модель доступна через библиотеку timm. Модель содержит 67,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Для применения нужны лицензия Apache-2.0 и совместимая среда PyTorch/timm. Карточка не описывает ограничения по классам, кроме обучения на ImageNet-1k; качество на других наборах данных может отличаться.

NextViT Small — модель компьютерного зрения для классификации изображений, обученная авторами статьи на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 31,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. В карточке приведена точность Top-1 85,964% для варианта nextvit_small.bd_ssld_6m_in1k_384; это результат указанного варианта с разрешением 384 пикселя, а не обязательно данного чекпойнта. Модель подходит для классификации изображений общего назначения и получения визуальных признаков. Она принимает изображения и выдаёт метки классов либо признаки в зависимости от выбранного режима. Репозиторий распространяется по лицензии Apache-2.0.

zeromodels/owlv2-large-patch14 — конверсия OWLv2-large-patch14 от Google в Keras 3, подготовленная проектом zeromodels. Модель выполняет обнаружение объектов с открытым словарём: принимает изображение и свободные текстовые запросы о том, какие объекты нужно найти, и возвращает найденные объекты с оценками и координатами. Архитектура сохраняет двухбашенную основу OWL-ViT, использует детекторную голову для патчей изображения и дополнительную голову оценки объектности. Модель масштабирована с помощью самообучения на парах изображение—текст из веба. Репозиторий содержит конверсию в формате TensorFlow; реализация Keras 3 также заявлена как работающая с TensorFlow, Torch и JAX. Для обработки изображений важно учитывать дополнение изображения до квадрата перед изменением размера и передавать исходные размеры при постобработке. Порог обнаружения для открытого словаря может быть ниже, чем у детекторов с фиксированными классами. Лицензия — Apache 2.0.

Perception Encoder PE-Core-B16-512 — визуальный энкодер Meta из семейства Perception Encoder, обученного с помощью контрастивного обучения изображений и текстов и дообученного на синтетически согласованных видео. Эта версия использует архитектуру B/16 с башнями для изображений и текста: визуальная часть содержит около 90 млн параметров, текстовая — около 310 млн; в README для семейства указаны ширина слоёв 768 и 1024, глубина 12 и 24 слоя и контекст текста 32 токена. Модель предназначена для извлечения признаков и визуальных эмбеддингов, которые можно применять для классификации и поиска изображений и видео, в том числе в режиме zero-shot. Сильные стороны семейства — перенос общих визуальных признаков на задачи классификации и поиска; README сообщает о результатах на ImageNet, ObjectNet, COCO и Kinetics. В метаданных указан формат PyTorch, а лицензия — Apache-2.0. Описание результатов в README относится к вариантам B/16, L/14 и G/14, поэтому конкретные показатели для варианта 512 не приведены.

Это модель PiT-S-Distilled-224 для классификации изображений и извлечения визуальных признаков, опубликованная авторами семейства timm. Она основана на архитектуре PiT (Pooling based Vision Transformer), использует токенную дистилляцию и обучена на ImageNet-1k. Модель содержит около 24 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен по изображениям, а также как визуальный backbone для извлечения карт признаков и эмбеддингов в компьютерном зрении. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Качество и набор классов ориентированы на ImageNet-1k; для других предметных областей модель может потребовать дообучения. В README не приведены результаты оценки или сведения о работе на изображениях вне стандартного разрешения.