I.8Изображения и компьютерное зрение

Карточка модели Jinstudio/Mage-ViT на Hugging Face совпадает с карточкой Mage-Fans/Mage-ViT, поэтому описание составлено по ней. Mage-ViT — визуальный энкодер, разработанный командой Mage-VL и обученный с нуля как часть мультимодальной системы Mage-VL. Это 24-слойный Vision Transformer с размером скрытого состояния 1024, 16 головами внимания, MLP с расширением 4× и отдельной головой attention pooling. Модель извлекает признаки из изображений и видео; для видеопоследовательностей поддерживает трёхмерное кодирование координат патчей и работу с разреженными последовательностями токенов, отбираемыми по важности участков в видеокодеке. README описывает обучение на примерно 100 млн неразмеченных изображений и видео с кластерно-дискриминационной целью. В карточке Hugging Face указано 402,7 млн параметров, лицензия Apache-2.0 и формат safetensors. Репозиторий содержит только предварительно обученный визуальный энкодер: он не прошёл совместное обучение с языковой моделью Mage-VL. Энкодер принимает пиксельные тензоры и выдаёт признаки для каждого патча и глобальное векторное представление. Отбор патчей по данным кодека выполняется во внешнем конвейере Mage-VL; README описывает поддержку HEVC/H.265 и DCVC-RT и сокращение числа токенов для видеоклипа до заданного бюджета. В метаданных указаны 402,7 млн параметров, тогда как README приводит оценку около 316 млн. Модель распространяется по лицензии Apache-2.0.

Mage-ViT — визуальный энкодер, разработанный командой Mage-VL и обученный с нуля как часть мультимодальной системы Mage-VL. Это 24-слойный Vision Transformer с размером скрытого состояния 1024, 16 головами внимания, MLP с расширением 4× и отдельной головой attention pooling. Модель извлекает признаки из изображений и видео; для видеопоследовательностей поддерживает трёхмерное кодирование координат патчей и работу с разреженными последовательностями токенов, отбираемыми по важности участков в видеокодеке. README описывает обучение на примерно 100 млн неразмеченных изображений и видео с кластерно-дискриминационной целью. В карточке Hugging Face указано 402,7 млн параметров, лицензия Apache-2.0 и формат safetensors. Репозиторий содержит только предварительно обученный визуальный энкодер: он не прошёл совместное обучение с языковой моделью Mage-VL. Энкодер принимает пиксельные тензоры и выдаёт признаки для каждого патча и глобальное векторное представление. Отбор патчей по данным кодека выполняется во внешнем конвейере Mage-VL; README описывает поддержку HEVC/H.265 и DCVC-RT и сокращение числа токенов для видеоклипа до заданного бюджета. В метаданных указаны 402,7 млн параметров, тогда как README приводит оценку около 316 млн. Модель распространяется по лицензии Apache-2.0.

mambaout_small_rw.sw_e450_in1k — модель классификации изображений и извлечения признаков из семейства MambaOut, адаптированная для библиотеки timm. Её обучил Ross Wightman на ImageNet-1k по рецепту обучения на основе Swin и ConvNeXt. Модель содержит 48,5 млн параметров и требует изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. В карточке приведены вычислительные характеристики, но таблица точности относится к другим вариантам MambaOut, поэтому её результаты нельзя приписывать этой модели. Описание также не раскрывает перечень классов сверх набора ImageNet-1k и не указывает поддержку других наборов данных.

NVIDIA SegFormer MIT-B4 — предобученный и дообученный на ImageNet-1k визуальный энкодер семейства SegFormer. Архитектура сочетает иерархический Transformer-энкодер с лёгкой MLP-головой; в этом репозитории находятся только веса энкодера, без декодера для сегментации. Модель опубликована для классификации изображений по 1000 классам ImageNet и как основа для дообучения на семантическую сегментацию. Подходит для классификации изображений, а также для настройки сегментационных моделей под наборы данных и сценарии вроде ADE20K или Cityscapes. Метаданные указывают поддержку PyTorch и TensorFlow. Лицензия обозначена как other; README не приводит её условия, поэтому перед использованием следует проверить лицензионные сведения репозитория.

MNASNet 1.0 — модель классификации изображений и визуальный backbone из семейства MNASNet. Она разработана авторами MNASNet и обучена командой timm на ImageNet-1k. Модель содержит около 4,4 млн параметров, выполняет примерно 0,3 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как backbone для извлечения карт признаков и векторов изображений. При обучении применялись оптимизатор RMSProp, усреднение весов EMA, случайное удаление областей изображения, mixup и стандартная аугментация с изменением размера и кадрированием. Это компактная модель для сценариев, где важны небольшой размер и вычислительная эффективность. Она обучена на ImageNet-1k, поэтому её качество и классы ориентированы на эту задачу; README не подтверждает отдельную специализацию для других наборов категорий. Репозиторий распространяется по лицензии Apache-2.0.

Это предобученные на ImageNet веса MobileOne S2 для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель предназначена для классификации изображений и может служить визуальным энкодером в задачах сегментации, построенных на этой библиотеке. MobileOne S2 — свёрточная архитектура для обработки изображений; в репозитории веса сохранены в формате safetensors. Карточка не сообщает размер модели и точность на конкретных наборах данных. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

OpenImages16 Prompted Mixed LISA-13B — дообученная модель ken101do для сегментации объектов на изображениях по текстовым запросам. Она создана на базе xinlai/LISA-13B-llama2-v1 с помощью LoRA на данных LISA ReasonSeg и OpenImages16Prompted; декодер масок SAM во время обучения был заморожен. Модель насчитывает 12,9 млрд параметров, использует архитектуру LLaVA и контекст до 4096 токенов. Модель предназначена для поиска и выделения запрошенных объектов на изображениях, в том числе по сложным запросам с рассуждением. Валидационные показатели составили gIoU 0,2733 и cIoU 0,4910. Для запуска нужны кодовая база LISA и контрольная точка SAM ViT-H. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

PP-OCRv6 medium text detection MLX — конвертированная для MLX версия детектора текстовых строк PP-OCRv6 medium от PaddlePaddle. Модель принимает изображение и локализует на нём области с текстовыми строками, возвращая координаты рамок; результат можно использовать как этап обнаружения текста в OCR-конвейере. Репозиторий предназначен для запуска через библиотеку mlx-vlm на устройствах, поддерживающих MLX. В метаданных указаны английский и китайский языки. Модель основана на PaddlePaddle/PP-OCRv6_medium_det_safetensors; лицензия — Apache-2.0. Карточка не описывает распознавание содержимого найденных строк, поэтому для получения текста нужен отдельный этап OCR.

timm/regnety_2560.seer_ft_in1k — модель классификации изображений на архитектуре RegNetY-256GF. Она предварительно обучена компанией Meta с помощью самообучения SwAV на наборе из 2 млрд случайных интернет-изображений, а затем дообучена авторами статьи на ImageNet-1k. Модель содержит около 1,283 млрд параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В README также отмечены возможности реализации timm, включая stochastic depth и gradient checkpointing. Модель распространяется по лицензии SEER от Meta Platforms с ограничениями на использование и распространение, включая некоммерческий характер лицензии. Высокая вычислительная сложность — 747,8 GMACs — может ограничивать её применение на устройствах с ограниченными ресурсами.

RepViT M1 с дистилляцией — компактная модель классификации изображений, обученная авторами статьи на ImageNet-1k. Она также может служить сверточной основой для извлечения карт признаков и эмбеддингов изображений. Модель содержит 5,5 млн параметров, требует около 0,8 GMACs вычислений и рассчитана на изображения размером 224 × 224 пикселя. Её можно использовать для присвоения изображению класса из набора ImageNet-1k или как легковесную основу в компьютерном зрении. Модель распространяется под лицензией Apache-2.0. Её обучение ориентировано на ImageNet-1k, поэтому качество на других наборах классов и типах изображений может отличаться; результаты извлечения признаков отдельно не охарактеризованы.

Это веса ResNet-34, предварительно обученной на ImageNet и предназначенной для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель принимает изображение и выдаёт признаки, которые можно использовать в задачах компьютерного зрения, в частности как основу для сегментационных моделей. ResNet-34 — сверточная нейросеть. В карточке не приведены размер весов, число параметров или отдельные показатели качества. Репозиторий содержит веса в формате safetensors и имеет лицензию `other`; конкретные условия лицензии следует уточнить в источнике лицензии модели.

Sa2VA-LLaVA-1.5-7B — мультимодальная модель диалога и сегментации изображений и видео из семейства Sa2VA, построенная на LLaVA-1.5-7B: визуальном энкодере CLIP-ViT-L-336 и языковой модели Vicuna-7B. Она использует энкодер SAM2 для привязки упоминаний объектов к пиксельным маскам: модель предсказывает токен [SEG], скрытое состояние которого подаётся декодеру масок SAM2. Модель предназначена для сегментации объектов по текстовому описанию на изображениях и видео, генерации ответов по визуальному содержимому и диалога с привязкой к объектам. В README приведены результаты на наборах RefCOCO, RefCOCO+, RefCOCOg, MeViS, ReVOS и Ref-DAVIS17. Разрешение входа для SAM2 grounding составляет 1024 пикселя. Модель принимает текст и изображения, а для видеосценариев — также видео; выдаёт текст и маски сегментации. Для загрузки требуется bfloat16; README указывает, что tokenizer используется вместо AutoProcessor. Лицензия — Apache-2.0.

LocateAnything-3B — разработанная NVIDIA Labs в рамках семейства Eagle компактная трансформерная модель «зрение–язык» для локализации объектов по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, привязка текстовых описаний к областям изображения и разметка визуальных элементов. Модель дообучена на базе Qwen/Qwen2.5-3B-Instruct; архитектура включает визуальный энкодер MoonViT, языковую модель и MLP-проектор. Веса представлены в формате safetensors. Модель принимает изображение и запрос на естественном языке, а выдаёт текст с метками и структурированными координатами рамок или точек. Поддерживаются поиск объектов по категориям и описаниям, плотное обнаружение в загруженных сценах, привязка элементов интерфейса и локализация текста в документах. Механизм Parallel Box Decoding предсказывает координаты блоками, что, согласно карточке, повышает пропускную способность до 2,5 раза относительно предшествующих подходов. Карточка сообщает о поддержке изображений исходного разрешения до 2,5K, запросов до 24K токенов и генерации до 8192 токенов. Основной указанный язык — английский. Модель предназначена для исследований и разработки. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией в репозитории. Для запуска README приводит тестовое оборудование H100, поэтому требования к ресурсам могут быть существенными.

UVDoc — модель PaddlePaddle для геометрической коррекции изображений документов. Она выправляет наклон, перспективные искажения и деформации страницы, чтобы улучшить качество последующего распознавания текста. Модель рассчитана на использование как этап предварительной обработки в системах OCR и конвейерах анализа документов, включая PP-StructureV3. В README приведён результат CER 0,179 на тестовом наборе DocUNet; это показатель из указанного бенчмарка, а не гарантия качества на других данных. Модель распространяется под лицензией Apache-2.0. Метаданные указывают языки en и zh; карточка описывает именно коррекцию изображений, а не самостоятельное распознавание текста.

VideoPrism-B — фундаментальный видеоэнкодер, разработанный Google DeepMind. Модель преобразует последовательность кадров в компактные эмбеддинги, которые можно использовать в классификаторах, LLM, системах поиска и других моделях понимания видео. Она предназначена для классификации видео и действий, пространственно-временной локализации, видеопоиска и open-set-классификации при сопоставлении видео с текстом. Модель содержит около 114 млн параметров и использует backbone ViT-B в архитектуре факторизованного видеоэнкодера на основе ViViT: Vision Transformer для изображений и четыре слоя Transformer с временным вниманием. На вход подаются RGB-видео с размером кадров 288×288; выход имеет форму (число кадров × 16 × 16, число каналов признаков) и может быть преобразован в пространственно-временное представление. Во время обучения использовалось 16 кадров, но модель поддерживает произвольное их количество за счёт интерполяции временных позиционных эмбеддингов. Модель создаёт визуальные признаки; сведения о поддерживаемых естественных языках для этой базовой версии не указаны. Сильная сторона VideoPrism — универсальность: один замороженный checkpoint показал результаты лучше предыдущих foundation-моделей на 31 из 33 публичных бенчмарков без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, рисками неподходящего или вредоносного контента, а также недостаточной проработкой длинных видео, геометрической информации и несемантических признаков. Модель распространяется по лицензии Apache-2.0.

timm/vit_pe_lang_gigantic_patch14_448.fb — вариант только с визуальным энкодером семейства Perception Encoder (PE), опубликованный Meta и преобразованный для библиотеки timm. Модель принимает изображения и выдаёт визуальные признаки; это чекпойнт PE-Lang-G14-448 с патчами 14×14 и разрешением 448 пикселей. PE Lang обучалась на визуально-языковом выравнивании и предназначена для использования в мультимодальных системах с языковым декодером, например Llama или Qwen. Энкодер особенно подходит для извлечения признаков, которые можно использовать в ответах на вопросы по изображениям и документам, OCR-сценариях, классификации и поиске по изображениям. В опубликованных Meta оценках PE-Lang-G14-448 показала сильные результаты на DocVQA, InfoQA и TextVQA при работе с замороженным энкодером и декодером Llama 3.1 8B. Этот репозиторий содержит только энкодер, а не готовую систему для диалога или генерации ответов; упомянутые результаты зависят от декодера и настройки системы. Лицензия — Apache 2.0.

Это компактная модель ROPE-ViT для классификации изображений и извлечения визуальных признаков. Она основана на Vision Transformer с rotary position embedding (RoPE) и обучена авторами исследования на ImageNet-1k. Разработчик репозитория — timm; модель содержит около 22 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. В карточке отмечена способность сохранять или улучшать точность при проверке на разрешении 320 × 320, хотя обучение проводилось на 224 × 224. Лицензия — Apache-2.0. Карточка не сообщает о поддержке текстовых или иных языков; качество за пределами ImageNet-1k и приведённых разрешений не описано.

V-JEPA 2 — модель понимания видео, разработанная FAIR в Meta. Это плотная модель семейства VJEPA2 с 1,3 млрд параметров; репозиторий содержит веса в формате Safetensors и предназначен для использования через Transformers. Модель кодирует видео и изображения в представления для классификации видео, поиска по видео и использования в качестве видеоэнкодера для VLM. Для этого варианта при обработке видео требуется выбирать 64 кадра; изображение можно повторить до нужного числа кадров. Модель ориентирована на визуальные данные, поэтому естественный язык не является её основным входом или выходом. Лицензия — Apache-2.0.

Это вариант OpenCLIP ViT-B/16 с тестовыми register-токенами, подготовленный amildravid4292 на основе OpenCLIP-ViT-B-16-laion2B-s34B-b88K. Тестовые регистры добавляются к Vision Transformer после обучения без дополнительного обучения модели; они предназначены для уменьшения артефактов во внутренних признаках и улучшения их интерпретируемости. Модель извлекает признаки изображений и может использоваться как основа для дообучения и downstream-задач, включая сегментацию и оценку глубины. В README указана точность zero-shot классификации ImageNet-1k 71,3 для исходной модели и варианта с регистрами при оценке в bfloat16. Основа — ViT-B/16, обученная на подмножестве LAION-2B; для использования автор рекомендует Transformers 4.45.1. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

ConCor-1 — модель сопоставления текста и изображений, разработанная исследователями University of Washington, Allen Institute for AI и FAIR at Meta. Она дообучена на мультимодальной основе Qwen3.5-0.8B и предназначена для двунаправленного grounding: связывает фрагменты текста с соответствующими объектами или областями изображения. Для каждого предполагаемого соответствия модель предсказывает маску текста, маску изображения и оценку наличия корректной связи. Модель подходит для сегментации объектов по описанию, связывания слов или фраз с областями на изображении, а также поиска объектов по списку категорий. Архитектура использует обучаемые bridge-токены, которые совместно обрабатывают визуальные и текстовые признаки; веса опубликованы в формате safetensors, для инференса описан стек PyTorch и Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. ConCor-1 ориентирована на выделение соответствий между текстом и визуальными областями, а не на универсальный диалог. Качество масок и обнаружения соответствий зависит от порогов постобработки; README перечисляет настраиваемые пороги присутствия, текста, изображения и NMS.

ControlNet v1.1 Depth — модель управления диффузионной генерацией изображений, разработанная Lvmin Zhang и Maneesh Agrawala. Данный чекпойнт представляет собой конверсию оригинальной модели в формат diffusers и предназначен для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель принимает текстовое описание на английском языке и дополнительное условие в виде карты глубины, помогая сохранять пространственную структуру, геометрию и композицию исходного изображения при генерации или преобразовании изображения. Это делает её подходящей для управляемого text-to-image и image-to-image синтеза, реконструкции сцен и создания вариаций с заданной глубиной. Архитектурно ControlNet добавляет к предварительно обученной диффузионной модели специализированную нейросетевую ветвь для обработки условий; точный размер модели и максимальная длина контекста в README не указаны. Основное преимущество — более точный контроль над пространственным расположением объектов по сравнению с генерацией только по тексту. Для построения карты глубины из исходного изображения требуются внешние инструменты, например модуль depth estimation. Модель обучена для Stable Diffusion v1.5, поэтому совместимость с другими диффузионными моделями может быть ограниченной и не гарантируется. Лицензия — CreativeML OpenRAIL M.

lllyasviel/control_v11p_sd15_inpaint — это версия ControlNet v1.1, разработанная Lvmin Zhang и Maneesh Agrawala. Модель преобразована в формат Diffusers из оригинального checkpoint и предназначена для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель добавляет к диффузионной генерации дополнительное условие в виде изображения для inpainting. Она подходит для заполнения или изменения выделенных областей изображения по текстовому описанию, сохраняя информацию о незамаскированных участках и предоставляя более точный контроль над результатом. Заявленный язык — английский; поддерживаемые модальности включают текст и изображения, в частности исходное изображение, маску и control image. Ключевая сильная сторона модели — управляемое редактирование изображений за счёт интеграции ControlNet с предварительно обученной диффузионной моделью. Ограничение заключается в том, что checkpoint рассчитан на Stable Diffusion v1-5 и специализирован для сценариев inpainting; совместимость с другими моделями не гарантируется, хотя экспериментально допускается использование с некоторыми вариантами Stable Diffusion. Размер модели и максимальный контекст в README не указаны. Лицензия — CreativeML OpenRAIL M.

timm/convnext_tiny.eupe_lvd1689m — визуальный энкодер признаков на архитектуре ConvNeXt-Tiny из библиотеки timm. Модель разработана в рамках метода Efficient Universal Perception Encoder (EUPE) и дистиллирована на датасете LVD-1689M от прокси-учителя, обученного на основе нескольких специализированных визуальных моделей. Веса доступны в формате safetensors; модель содержит около 27,8 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предназначена для извлечения векторных признаков, карт признаков и представлений изображений, а также может использоваться как энкодер для классификации изображений или как визуальный компонент более крупных систем. Карточка приводит результаты сравнений по нескольким визуальным тестам, но не описывает языковой интерфейс модели. Лицензия FAIR Noncommercial Research License ограничивает использование некоммерческими исследовательскими целями.

Это компактная модель семейства ConvNeXt для классификации изображений, обученная Россом Уайтменом с использованием библиотеки timm на ImageNet-1k. В README указана основа рецепта ra4 на MobileNetV4-Conv-Small. Модель предназначена для отнесения изображения к классу из набора ImageNet-1k, а также может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. Она содержит около 2,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,3 GMACs на обработку изображения. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. README не приводит показателей качества именно этой модели; её применение за пределами классификации ImageNet-1k может потребовать дополнительной проверки и адаптации.

bigshanedogg/CSD — неофициальная версия модели CSD в формате Transformers, подготовленная bigshanedogg на основе опубликованных весов CSD. Модель использует визуальную основу CLIP ViT-L/14 без проекционного слоя: извлечённые признаки размерности 1024 преобразуются отдельными обученными головами стиля и содержания в L2-нормализованные дескрипторы размерности 768. Для обработки изображений применяется масштабирование короткой стороны до 224 пикселей, центральное кадрирование до 224×224 и нормализация CLIP. Модель предназначена для извлечения признаков изображений и сравнения их стилистического сходства: сходство двух изображений оценивается косинусом между их стилевыми эмбеддингами. Также доступны эмбеддинги содержания. Для загрузки используется trust_remote_code; во время выполнения не требуются clip или open_clip. Репозиторий содержит веса safetensors. Порт лицензирован по MIT, исходный код CSD — по MIT, а веса — по CC-BY-4.0 с требованием атрибуции Somepalli и соавторам / University of Maryland. Это неофициальный порт.

Это визуальный энкодер семейства Vision Transformer, выделенный из DeepSeek-V4.1-Flash и преобразованный в формат timm без дополнительного обучения. Модель содержит около 485,3 млн параметров и предназначена для извлечения признаков изображения; языковых весов и обученной классификационной головы в ней нет. Энкодер использует патчи 14×14, SwiGLU, RMSNorm и двумерное осевое RoPE. В варианте _enc сохранены пространственный выравниватель 3×3 и проекция токенов в ширину 5120; доступны также промежуточные карты признаков. Поддерживаются RGB-изображения, в том числе прямоугольные, с типовым размером обработки 546×546. Для корректной работы размеры входа по умолчанию должны делиться на 14; timm-преобразования отличаются от исходной адаптивной предобработки DeepSeek. Модель подходит для получения визуальных признаков и токенных представлений изображений в мультимодальных системах. Распространяется по лицензии MIT.

Репозиторий содержит предобученные на ImageNet веса DenseNet169, подготовленные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель предназначена для классификации изображений и может служить основой для моделей сегментации, собираемых с помощью этой библиотеки. DenseNet169 — сверточная нейросетевая архитектура для обработки изображений; веса опубликованы в формате safetensors. В карточке указана лицензия other. Данных о поддерживаемых языках и специальных ограничениях применения нет.

Это крупная модель EoMT-DINOv3 для паноптической сегментации изображений, опубликованная tue-mps и обученная на COCO. Она использует архитектуру Encoder-only Mask Transformer с энкодером DINOv3 ViT-L/16; заявленный размер составляет 402,7 млн параметров. Модель рассчитана на изображения с разрешением 640×640 и выполняет сегментацию объектов и фона в рамках паноптического представления. Архитектура опирается на ViT и не требует отдельного специализированного декодера или модуля слияния пикселей; для семантической, экземплярной и паноптической сегментации используются разные этапы постобработки. Репозиторий содержит веса в формате safetensors и предназначен для использования через Transformers. Лицензия — MIT. Модель подходит для анализа сцен и получения паноптических масок на изображениях, особенно в сценариях, близких к датасету COCO. Карточка не приводит метрик качества и подробностей постобработки; данные о поддержке произвольных разрешений или других датасетов не заявлены.

GyroScope — модель компьютерного зрения от LH-Tech-AI для определения ориентации изображения с шагом 90° и автоматического выбора корректирующего поворота. Это ResNet-18, обученная с нуля без предварительно обученных весов; размер модели — 11,2 млн параметров. Модель принимает RGB-изображения размером 224 × 224 и классифицирует их как повёрнутые на 0°, 90°, 180° или 270°. Для обучения использовались изображения ImageNet-1k; в README указана точность на проверочной выборке около 79,8%. Модель предназначена для автоматического исправления ориентации фотографий и изображений в конвейерах обработки данных. Лицензия — Apache-2.0. Модель может ошибаться на симметричных изображениях, где ориентацию трудно определить, и её качество может снижаться на документах, медицинских и спутниковых изображениях, а также абстрактных изображениях. Она определяет только повороты с шагом 90° и не поддерживает произвольные углы.

Карточка модели Eric111/huggingworld_onnx-image-models на Hugging Face совпадает с карточкой huggingworld/onnx-image-models, поэтому описание составлено по ней. huggingworld/onnx-image-models — подборка моделей для увеличения разрешения и восстановления изображений. В README перечислены варианты с масштабированием в 2× и 4×, включая UltraSharp, PurePhoto, ClearReality, Nomos8k, LSDIR и Real-ESRGAN, а также облегчённые варианты для мобильных устройств и обработки в реальном времени. Репозиторий содержит форматы ONNX и safetensors; лицензия — MIT. Модели предназначены для повышения детализации фотографий и иллюстраций, уменьшения заметности JPEG-артефактов и обработки портретов. README рекомендует UltraSharp V2 для общего применения, PurePhoto RealPLSKR для фотографий, Nomos8k DAT для сильно сжатых изображений, а ClearReality и PurePhoto SPAN — при ограниченных ресурсах. Это каталог нескольких моделей, поэтому качество и скорость зависят от выбранного варианта; заявленные рейтинги основаны на README и не сопровождаются описанием методики сравнения.