I.8Изображения и компьютерное зрение

photographer Alpha7 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Примеры в карточке показывают фотореалистичные портреты и сцены с людьми, в том числе фотографии в эстетике 1980-х и 1990-х годов, интерьерные и уличные сцены, а также детализированные изображения с заданной одеждой, позами и выражением лица. Модель предназначена для создания художественных и стилизованных изображений по англоязычным промптам. Репозиторий использует формат Diffusers и файлы Safetensors; теги указывают на семейство Stable Diffusion. Лицензия — CreativeML Open RAIL-M. Карточка не сообщает точную базовую модель, число параметров или длину контекста.

Photo Movie X — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка показывает пример запроса для создания кинематографичного сюрреалистического портрета с ретроархитектурой, научно-фантастической сценой и роботом. Модель распространяется в формате Diffusers на базе PyTorch с весами SafeTensors и использует Stable Diffusion Pipeline. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не приводит сведения о размере модели, поддерживаемых языках или длине контекста.

digiplay/polla_mix_2.3D — модель генерации изображений по текстовому описанию. Репозиторий использует Stable Diffusion и Diffusers, а веса представлены в форматах PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам. Карточка содержит примеры изображений, но не сообщает подробностей об архитектуре, размере, поддерживаемых языках или настройках генерации. Лицензия указана как other, поэтому конкретные условия использования следует уточнять в материалах репозитория.

digiplay/polla_mix_2.5D — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. В карточке указаны pipeline StableDiffusionPipeline и форматы Diffusers, PyTorch и safetensors; README содержит пример изображения, созданного через API Hugging Face, и демонстрационные изображения первоначального автора. Модель предназначена для создания изображений по текстовым запросам. В README и метаданных не приведены сведения об архитектуре и размере исходной модели, поддерживаемых языках, контекстном окне или условиях лицензии; метаданные указывают лицензию «other».

RealCartoon3D-V15 — чекпойнт Stable Diffusion от sam749 для генерации изображений по текстовому запросу. Автор позиционирует эту версию как обновление RealCartoon с улучшенной чёткостью и общим качеством, более выраженной реакцией на указание возраста персонажей, а также хорошей генерацией пейзажей. Модель рассчитана на создание стилизованных мультяшных изображений с трёхмерным видом; для запуска автор приводит пример использования библиотеки Diffusers и StableDiffusionPipeline. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML Open RAIL-M. README не сообщает размер модели, контекст или поддерживаемые естественные языки; текстовый ввод используется как описание желаемого изображения.

RealCartoon-XL-v7-Diffusers — модель генерации изображений по текстовому описанию в формате Diffusers. Репозиторий содержит конвертированную версию модели; по карточке нельзя установить её исходный базовый чекпойнт или автора разработки. Модель предназначена для создания изображений в мультяшном стиле по англоязычным запросам. Для загрузки используется библиотека Diffusers и StableDiffusionXLPipeline; веса представлены в safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в исходном репозитории модели.

RealCore Illustrious 1.0 — диффузионная модель генерации изображений, созданная автором репозитория rityak путём слияния нескольких реалистичных моделей и пользовательских LoRA на основе Illustrious. Это чекпойнт семейства SDXL в формате safetensors, предназначенный для создания реалистичных и фотореалистичных изображений, в том числе профессиональных фотокомпозиций и контента для взрослых. Модель работает с текстовыми запросами и совместима с ускорением LCM; автор ориентирует её на использование с ComfyUI. Модель нацелена на детализированную визуализацию с реалистичной подачей. Карточка заявляет поддержку NSFW-генерации. Указанная лицензия — OpenRAIL++; перед использованием следует учитывать её условия и ограничения.

danbrown/RevAnimated-v1-2-2 — неофициальная версия весов в формате Diffusers для генерации изображений по текстовому описанию. Модель основана на Stable Diffusion v1.5 и предназначена для создания изображений по запросу пользователя. В карточке не приведены сведения о размере модели, поддерживаемых языках и лицензии. Для работы требуются библиотека Diffusers и веса в формате Safetensors; условия использования следует сверить с лицензией базовой модели и репозитория.

Skywork разработала SkyReels-V2-DF-1.3B-540P-Diffusers — модель генерации видео по текстовому запросу из семейства SkyReels-V2. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательным развитием сцен. В основе семейства лежит авторегрессионная архитектура Diffusion Forcing; в README также описаны многоэтапное обучение, обучение с подкреплением и supervised fine-tuning. Эта версия доступна в формате Diffusers с весами safetensors и рассчитана на разрешение 540P; заявленный размер — 1,3 млрд параметров. Модель подходит для визуализации историй и создания видеоматериалов по текстовому описанию. В README семейства также упоминаются генерация видео из изображения, управление камерой и согласованная генерация нескольких персонажей, но эти возможности не следует считать подтверждёнными для данной текстовой версии. Карточка указывает английский язык. Лицензия обозначена как other, поэтому конкретные условия использования нужно проверять в репозитории модели.

SPARK.Chroma_v1 — дообученная модель для генерации реалистичных изображений по текстовым описаниям. Её создал автор под именем SG161222 на базе Chroma1-HD; модель использует архитектуру FLUX.1-schnell и содержит 8,9 млрд параметров. Модель предназначена для генерации изображений в реалистичном стиле. В README приведены настройки для запуска через ComfyUI и рекомендованы 40 шагов сэмплирования и CFG 3,5–4,0. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — Apache 2.0. Автор предупреждает, что модель обучалась с тестовой конфигурацией дообучения, поэтому изображения могут быть недостаточно реалистичными и детализированными. Модель ориентирована на реализм и имеет ограниченное разнообразие стилей; возможны ошибки анатомии и текста.

furusu/SSD-1B-anime — это модель генерации изображений по текстовому описанию, созданная автором furusu на основе SSD-1B. По README, автор объединил SSD-1B с разницей весов NekorayXL и SDXL 1.0, затем дистиллировал полученную модель, обучая её воспроизводить конечный вывод NekorayXL. Модель предназначена для генерации изображений в аниме-стиле. Её можно использовать в ComfyUI с файлами safetensors. В README также описаны LoRA для генерации с CFG scale 1, что позволяет не вычислять отрицательный промпт, и LCM-LoRA для SSD-1B. Модель использует семейство Stable Diffusion XL и библиотеку Diffusers. Карточка не сообщает размер модели, длину контекста или лицензию; эти характеристики здесь не приводятся. Сведения о языках промптов и конкретных ограничениях качества отсутствуют.

Sudachi_diffusers — модель для генерации изображений по текстовому описанию в формате Diffusers. Репозиторий помечен как Stable Diffusion и содержит веса Safetensors. README содержит только упоминание демонстрационных изображений автора оригинальной модели; других сведений о разработчике, архитектуре или характеристиках нет. Модель предназначена для создания изображений по текстовым запросам. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Technique Router — англоязычный классификатор на базе MiniLM, дообученный для выбора способа подготовки изображения к запросу в Headroom SDK. Он принимает текстовый запрос пользователя об изображении и относит его к одной из техник оптимизации, например transcode для извлечения текста и OCR, crop для запросов о конкретной области или preserve для сохранения изображения. Такой выбор помогает сокращать расход токенов при анализе изображений моделями vision-language. Модель построена на архитектуре BERT и содержит около 40 млн параметров; контекст — до 512 токенов. По карточке, обучение проводилось на 1 157 примерах, а точность на валидационной выборке составила 93,7%. Модель рассчитана на англоязычные запросы; указана лицензия Apache-2.0. Классификатор оптимизирован для распространённых запросов об изображениях и может хуже обобщать на специализированную терминологию. Указанная точность получена на ограниченной валидационной выборке и не гарантирует аналогичного результата на других данных.

test_vit3.r160_in1k — очень небольшая модель Vision Transformer для классификации изображений и проверки работоспособности компьютерного зрения, созданная Россом Вайтманом в рамках PyTorch Image Models (timm). Модель обучена на ImageNet-1k и содержит около 0,9 млн параметров; штатный размер входного изображения — 160 × 160 пикселей. Модель присваивает изображению метки классов ImageNet-1k. Также её можно использовать как основу для извлечения карт признаков и векторов изображений. В README приведена точность Top-1 56,894% и Top-5 80,748% при размере изображения 160 пикселей. Чекпойнт помечен как тестовый и предназначен прежде всего для тестов и sanity checks, поэтому его качество и малый размер не делают его заменой более мощной модели для прикладной классификации. Репозиторий использует форматы PyTorch и safetensors; лицензия — Apache-2.0.

BAAI/URSA-0.6B-FSQ320 — компактная модель BAAI семейства BAAI-Vision-URSA для генерации и изменения видео по текстовым запросам. Это текстово-видеомодель на 0,6 млрд параметров; она использует архитектуру Uniform Discrete Diffusion with Metric Path, библиотеку Diffusers и точность FP16. Заявленное разрешение видео — 512×320, токенизатор — Cosmos-Tokenize1-DV4x8x8-360p. Модель подходит для исследовательских экспериментов с генерацией видео, а также для творческих и образовательных инструментов и художественных задач. Лицензия Apache-2.0. Авторы предупреждают, что модель не предназначена для достоверного воспроизведения людей и событий; она может давать нереалистичные изображения, плохо отображать сложный текст и некорректно генерировать детали, например пальцы. Обучающие данные включали контент для взрослых, насилие и сексуальный контент; возможны предвзятость и вредные результаты.

Карточка модели Monoland/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели qingshuangyyds/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели wan-community/Wan2.1-T2V-1.3B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Карточка модели apexsentrylabs-lang/Wan2.1-T2V-1.3B-Windows-Backup на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B, поэтому описание составлено по ней. Wan2.1-T2V-1.3B — модель генерации видео из текста из открытого семейства Wan2.1, разработанного Wan-AI. Она предназначена для создания коротких видеороликов по текстовым описаниям и рассчитана на работу, в том числе, на потребительских видеокартах. Модель построена на архитектуре diffusion transformer; репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers. Модель генерирует видео с разрешением 480p и может работать в 720p, хотя авторы отмечают, что результаты при 720p менее стабильны из-за ограниченного объёма обучения на этом разрешении. Для оптимального качества рекомендуется 480p. В README указано, что генерация пятсекундного ролика 480p на RTX 4090 занимает около четырёх минут и требует примерно 8,19 ГБ видеопамяти. Модель может генерировать визуальный текст на китайском и английском; расширение запросов помогает повысить детализацию ролика. Модель предназначена для творческих задач создания видео и экспериментирования с генерацией видео при ограниченных вычислительных ресурсах. Лицензия — Apache-2.0.

Western Animation Diffusion — модель генерации изображений по текстовому описанию от Lykon. Она предназначена для создания изображений в стилистике западной анимации с помощью текстовых запросов. Модель доступна в форматах Diffusers и safetensors и использует библиотеку Diffusers; лицензия — CreativeML OpenRAIL-M.

Модель Swedish Lion OCR разработана Национальным архивом Швеции. Это модель сегментации экземпляров YOLO26s, которая выделяет рукописные текстовые строки внутри уже обнаруженных текстовых областей исторических документов. Она предназначена для этапа HTR-конвейера: после выделения текстовых областей модель размечает строки, которые затем можно передать системе распознавания рукописи для транскрипции страниц. Модель работает с обрезанными изображениями текстовых областей и не предназначена для обработки целых страниц. Обучение проводилось на размеченном наборе исторической шведской рукописи объёмом около 31 000 страниц и 1,7 млн строк, подготовленном при участии архивных учреждений Швеции и Финляндии. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0.

keremberke/yolov8m-shoe-classification — модель компьютерного зрения на архитектуре YOLOv8, опубликованная keremberke и предназначенная для классификации изображений обуви по бренду. Она различает три класса: adidas, converse и nike. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics; карточка указывает датасет keremberke/shoe-classification. Модель подходит для автоматической сортировки фотографий обуви по этим трём брендам и для демонстрационных сценариев классификации изображений. Данных о размере модели, языках или лицензии в предоставленных источниках нет.

Artisanica XL — слитая модель генерации изображений на основе Stable Diffusion XL, опубликованная David J.V. Schöbl. Она создаёт реалистичные и художественные изображения по текстовым описаниям и рассчитана на широкий спектр творческих сценариев: от иллюстраций и фотореалистичных сцен до изображений архитектуры и природы. Автор отмечает особую силу модели в изображении женских фигур и более слабые результаты при генерации мужской анатомии. Модель поддерживает создание NSFW-контента. Модель представлена в формате Diffusers с весами safetensors. Для использования указана лицензия CreativeML OpenRAIL-M; заявление автора о коммерческом использовании сгенерированных изображений не заменяет проверку условий лицензии и прав на конкретный контент.

Yntec/CartoonStyleClassic — модель генерации изображений по текстовому описанию на основе Stable Diffusion, опубликованная в формате Diffusers. В карточке приведён пример промпта для создания мультяшной сцены с персонажами и фантастическим окружением; модель включает встроенный VAE kl-f8-anime2. Модель предназначена для создания иллюстраций в мультяшной стилистике по текстовым промптам. Репозиторий содержит веса в формате Safetensors и использует библиотеку Diffusers. Указана лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или результаты оценки качества. Пример промпта показывает возможный сценарий использования, но не гарантирует точность следования сложным описаниям.

Это преобразованная в формат Diffusers версия генератора chunk-wise Causal Forcing от thu-ml, опубликованная frankleeeee. Модель основана на Wan2.1-T2V-1.3B и предназначена для генерации видео по текстовым запросам; её можно запускать через SGLang diffusion runtime. Генератор использует блоково-каузальную дистилляцию диффузии: обрабатывает латентные кадры чанками по 3 кадра, применяет скользящее окно внимания на 21 латентный кадр и выполняет 4 шага денойзинга без CFG. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на создание коротких видеосцен по текстовому описанию. В README приведён пример генерации ролика размером 832×480 из 81 кадра. Карточка не сообщает о поддержке других модальностей или языков помимо текстового ввода.

ClassicEra — модель генерации изображений по текстовому описанию в стиле классической анимации. Автор объединил DucHaiten-ClassicAnime и DucHaiten-GoldenLife, чтобы перенести выразительный стиль первой модели в основу второй; в опубликованной версии также встроен VAE MoistMixV2. Модель предназначена для создания стилизованных иллюстраций, включая милые персонажи и сцены в духе аниме и мультфильмов. В карточке приведён пример генерации девочки с флейтой в берёзовом лесу во время грозы. Репозиторий опубликован в формате Diffusers и содержит веса Safetensors. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

CyberRealistic-v4-2 — модель генерации изображений по текстовому описанию, опубликованная sam749 и основанная на Stable Diffusion. Она распространяется в формате Diffusers с весами Safetensors и предназначена для создания реалистичных и детализированных изображений по промптам. Автор отмечает, что в этой версии использованы некоторые разработки CyberRealistic Classic 3.1 и изменена основа модели; примеры также используют тестовый negative textual inversion, который всё ещё разрабатывается. Версия описана как более откровенная, чем предыдущие, поэтому она подходит для создания изображений для взрослой аудитории. Лицензия — CreativeML OpenRAIL-M.

Cyberrealistic XL Catalyst XL v11 — модель генерации изображений по текстовому описанию, созданная Cyberdelia. Она основана на дообучении cyberdelia/latest_sdxl_models и предназначена для создания реалистичных и фотореалистичных изображений с естественными тонами и вариативными результатами. Модель работает через StableDiffusionXLPipeline в библиотеке Diffusers; в репозитории доступны веса Diffusers в формате safetensors. Карточка не описывает отдельные сценарии применения и не сообщает размер модели или длину контекста. Указана лицензия other, поэтому условия использования следует проверять в материалах автора и исходной модели.

DashAnimeXL V1 — диффузионная модель Dashtoon для генерации аниме-изображений по текстовым запросам. Она дообучена на Stable Diffusion XL и использует ту же архитектуру; для работы предусмотрена библиотека Diffusers, веса доступны в формате safetensors. Модель предназначена для создания изображений в стиле аниме. В карточке отмечены улучшенная анатомия рук, лучшее понимание концепций и интерпретация запросов. Поддерживаемый язык в метаданных — английский. Модель распространяется по лицензии CreativeML Open RAIL++-M; её условия следует учитывать при использовании и распространении результатов.

Dreamlike Photoreal 1.0 — модель генерации изображений от dreamlike.art, созданная на основе Stable Diffusion 1.5 и дообученная на качественных фотографиях. Она принимает текстовые запросы, в том числе обычные промпты для фотореалистичной генерации в стиле SD 1.5 и теги Danbooru для описания персонажей, и создаёт фотореалистичные изображения. Для портретов и пейзажей автор рекомендует использовать подходящие вертикальные и горизонтальные пропорции кадра. Модель распространяется в форматах Diffusers и checkpoint; в метаданных указаны PyTorch и safetensors. Версия 1.0 помечена автором как устаревшая: выпущена улучшенная версия 2.0. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с карточкой модели.