I.8Изображения и компьютерное зрение

DINOv3 ViT-L/16 — модель извлечения визуальных признаков на основе Vision Transformer, разработанная Meta AI. Репозиторий содержит веса, предварительно обученные на LVD-1689M и дистиллированные от учителя DINOv3 ViT-7B; в метаданных указан размер 402,7 млн параметров. Модель принимает изображения и возвращает вектор CLS, патч-токены и register-токены. При размере изображения 224×224 получается 196 патч-токенов и пять специальных токенов; поддерживаются большие изображения с размерами, кратными 16. Признаки можно использовать без дообучения или подключать к небольшим классификаторам и другим downstream-модулям для классификации, поиска изображений, сегментации, оценки глубины и анализа видео. Карточка приводит сравнительные результаты на наборах для классификации, сегментации, оценки глубины и других задач, но отмечает различия в качестве между регионами и группами дохода. Лицензия указана как DINOv3 License; условия её применения следует проверять перед использованием.

camenduru/dinov3-vitl16-pretrain-lvd1689m — это вариант визуальной модели DINOv3, разработанной Meta AI и представленной в формате Transformers. Модель основана на Vision Transformer ViT-L с патчами 16×16; в метаданных указано 402,7 млн параметров. Она принимает изображения и формирует плотные признаки: представление класса, токены патчей и регистрационные токены. Для изображения 224×224 архитектура ViT-L использует 201 токен, а изображения большего размера поддерживаются при размерах, кратных 16 пикселям. Модель предназначена для извлечения универсальных визуальных признаков и использования в последующих задачах без обязательного дообучения. Полученные признаки подходят для поиска похожих изображений, классификации, сегментации, оценки глубины и обнаружения объектов; поддерживаемый pipeline Hugging Face — image-feature-extraction. Репозиторий указывает базовую модель facebook/dinov3-vit7b16-pretrain-lvd1689m и связь finetune. Модель распространяется по лицензии DINOv3 License (в метаданных лицензия обозначена как other). К ограничениям относятся снижение качества в низкодоходных регионах и различия результатов между географическими регионами; дообучение может усилить смещения, присутствующие в метках.

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

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

Карточка модели Tony-00316/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

zeromodels/dino-vits8 — конвертированная в Keras 3 модель-визуальный энкодер на базе facebook/dino-vits8, подготовленная проектом zeromodels. Это самообученный Vision Transformer, обученный по подходу DINO: модель сопоставляет представления учителя и ученика для разных фрагментов одного изображения без меток и возвращает токены или карты признаков, а не результаты отдельной классификационной задачи. Модель предназначена для извлечения семантических признаков изображений и использования как основы для других задач компьютерного зрения. Реализация рассчитана на запуск с TensorFlow, PyTorch или JAX через Keras 3. Лицензия — Apache 2.0.

HRNet-W32 — сверточная модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Версия hrnet_w32.ms_in1k обучена авторами работы на ImageNet-1k и доступна в библиотеке timm. Она содержит около 41,2 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует 9,0 GMACs на проход.

RegNetX-3.2GF — модель классификации изображений и визуальный backbone из семейства RegNetX, реализованный в библиотеке timm. Веса предварительно обучены участниками torchvision на ImageNet-1k; модель содержит около 15,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям, извлечения признаковых карт и получения визуальных эмбеддингов. Архитектура timm включает стохастическую глубину и поддерживает настройку выходного шага, слоёв активации и нормализации, а также другие параметры реализации RegNet. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — BSD 3-Clause.

regnetx_320.tv2_in1k — свёрточная модель семейства RegNetX для классификации изображений и извлечения визуальных признаков. Реализация входит в библиотеку timm; веса предварительно обучены участниками проекта torchvision на ImageNet-1k с настройкой ImageNet-1K V2. Архитектура RegNetX-32GF содержит около 107,8 млн параметров, требует 31,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения классов объектов на изображении, получения карт признаков и визуальных эмбеддингов, а также в качестве основы для компьютерного зрения. В реализации timm доступны стохастическая глубина, градиентный чекпойнтинг, настройка выходного шага и выбор слоёв активации и нормализации. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — BSD 3-Clause. Карточка не сообщает о специальных ограничениях применения.

RegNetY-16GF — модель классификации изображений из семейства RegNetY, опубликованная в библиотеке timm. Она предварительно обучена авторами статьи на ImageNet-1k и предназначена для определения объектов на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 83,6 млн параметров; указан базовый размер изображения 224 × 224 пикселя, а вычислительная сложность составляет 16 GMACs. Реализация timm поддерживает стохастическую глубину, gradient checkpointing, настройку шага выхода и другие варианты слоёв и нормализации. Модель рассчитана на изображения и выдаёт классы ImageNet-1k либо признаки и эмбеддинги при соответствующем режиме использования. Веса распространяются по лицензии MIT. Карточка не приводит оценок качества именно для этой версии весов; приведённые в сравнительной таблице высокие результаты относятся к другим вариантам RegNetY.

RegNetZ-4GF — модель классификации изображений и извлечения признаков, обученная Ross Wightman в библиотеке timm на ImageNet-1k. Она содержит 28,9 млн параметров и требует изображения размером 320 × 320 при тестировании; для обучения использовался размер 256 × 256. Модель можно применять как классификатор, извлекатель карт признаков и источник эмбеддингов изображений. Реализация RegNet в timm поддерживает stochastic depth, gradient checkpointing, настройку шага выходных признаков и конфигурируемые слои активации и нормализации. Модель предназначена для распознавания объектов на изображениях и использования в качестве визуального backbone в компьютерном зрении. Распространяется по лицензии Apache-2.0.

ResNeSt-200e — модель классификации изображений на основе ResNet с механизмом Split Attention. Её обучили авторы статьи о ResNeSt на ImageNet-1k; модель доступна через библиотеку timm. Веса содержат около 70,2 млн параметров, модель рассчитана на изображения размером 320 × 320 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она подходит для распознавания объектов на фотографиях и построения систем компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

ResNet101.a2_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A2. Архитектура ResNet-B использует ReLU, свёртку 7×7 с пулингом и обходные соединения с проекцией 1×1; в модели 44,5 млн параметров. Для оценки модель рассчитана на изображения 288×288 пикселей, при обучении использовался размер 224×224. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone в прикладных системах компьютерного зрения. Опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

timm/resnet101c.gluon_in1k — свёрточная модель ResNet-C для классификации изображений и извлечения визуальных признаков, распространяемая библиотекой timm. Она содержит 44,6 млн параметров, использует активации ReLU, трёхслойный блок начальной обработки из свёрток 3×3 с пулингом и сокращённые связи с проекцией 1×1. Модель обучена на ImageNet-1k в Apache Gluon по рецептам Bag of Tricks; рекомендуемый размер входного изображения — 224×224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений, в том числе как визуальная основа для других задач компьютерного зрения. Прикладная специализация на отдельных областях не заявлена. Весовые файлы доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0.

timm/resnet101.tv_in1k — модель классификации изображений на основе архитектуры ResNet-101, опубликованная проектом timm. Она обучена на ImageNet-1k и использует исходные веса модели torchvision. Архитектура включает ReLU-активации, свёртку 7×7 с пулингом и shortcut-соединения с проекцией 1×1. Модель предназначена для классификации изображений, извлечения карт признаков и построения эмбеддингов изображений. Для стандартного применения указана входная сторона изображения 224 пикселя. Модель содержит около 44,5 млн параметров и требует примерно 7,8 GMACs на изображение. Лицензия — BSD 3-Clause. README не приводит отдельных оценок качества для этой модели; приведённая таблица сравнения относится к другим моделям.

ResNet-152 A1 из библиотеки timm — сверточная модель классификации изображений, разработанная для распознавания объектов на изображениях и извлечения признаковых карт и эмбеддингов. Модель обучена на ImageNet-1k по улучшенному рецепту A1 из работы «ResNet Strikes Back». В архитектуре используются активации ReLU, свёртка 7×7 с пулингом и обходные соединения с проекцией 1×1. Модель содержит около 60,2 млн параметров и предназначена для изображений размером 224×224 при обучении и 288×288 при тестировании. Её можно применять для классификации изображений и как основу для извлечения визуальных признаков. Репозиторий распространяет веса в форматах PyTorch и safetensors по лицензии Apache-2.0.

ResNet152.a1_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet использует остаточные связи, ReLU-активации, свёртку 7×7 с пулингом и свёрточные проекции в обходных связях. Модель содержит около 60,2 млн параметров; размер изображения при обучении — 224×224, при проверке — 288×288 пикселей. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Она принимает изображения и выдаёт оценки классов. Веса распространяются в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

ResNet152c.gluon_in1k — сверточная модель классификации изображений из библиотеки timm. Она основана на архитектуре ResNet-C: использует трёхслойный начальный блок из свёрток 3×3 с пулингом, остаточные связи с проекцией через свёртку 1×1 и активации ReLU. Модель содержит 60,2 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель обучена на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Она предназначена для классификации изображений на классы ImageNet, а также может использоваться как основа для извлечения карт признаков и векторов изображений. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

timm/resnet34.a2_in1k — сверточная модель ResNet-34 для классификации изображений, подготовленная в библиотеке timm. Она обучена на ImageNet-1k по рецепту ResNet Strikes Back A2; архитектура использует ReLU, начальную свёртку 7×7 с пулингом и остаточные блоки с проекциями 1×1. Модель содержит 21,8 млн параметров и рассчитана на изображения размером 224×224 при обучении и 288×288 при тестировании. Модель предназначена для распознавания объектов из классов ImageNet, а также может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ResNet34.bt_in1k — свёрточная модель классификации изображений из библиотеки timm. Она обучена на ImageNet-1k по рецепту Bag of Tricks и может использоваться для присвоения изображениям классов, извлечения карт признаков и получения эмбеддингов. Архитектура ResNet использует блоки с остаточными связями, активации ReLU, начальную свёртку 7×7 с пулингом и свёртки 1×1 для согласования размерностей в обходных связях. Модель содержит 21,8 млн параметров и требует 3,7 GMACs. Обучение проводилось на изображениях 224×224, для оценки автор указывает размер 288×288. Лицензия Apache-2.0. Карточка не заявляет поддержку конкретного естественного языка: модель принимает изображения и выдаёт классовые метки, а также может формировать признаки и эмбеддинги.

ResNet-50 от Ross Wightman и проекта timm — сверточная модель для классификации изображений и извлечения визуальных признаков. Модель обучена на ImageNet-1k с рецептом AugMix, оптимизатором SGD с Nesterov, функцией потерь на основе Jensen–Shannon divergence и косинусным расписанием скорости обучения с разогревом. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом и проекции 1×1 в shortcut-соединениях. В карточке указаны 25,6 млн параметров, 4,1 GMAC и входной размер изображения 224×224. Помимо классификации, веса можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для обычной классификации изображений общего назначения. Репозиторий распространяется по лицензии Apache-2.0.

ResNetRS-270 — сверточная модель семейства ResNetRS для классификации изображений и извлечения визуальных признаков. Репозиторий timm содержит веса модели, обученной авторами статьи на ImageNet-1k в TensorFlow; версия представлена в формате PyTorch и safetensors. Модель имеет около 129,9 млн параметров, использует активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 в обходных соединениях. Размер входа при обучении — 256×256 пикселей, при тестировании — 352×352. Модель подходит для определения категорий объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Это крупная модель с вычислительной стоимостью около 27,1 GMAC на изображение; качество и скорость в конкретном приложении зависят от разрешения и оборудования. Лицензия — Apache-2.0.

ResNetV2-152x4 BiT — модель классификации изображений и визуальная backbone-модель, обученная авторами статей Big Transfer на ImageNet-21k. Она построена на архитектуре pre-activation ResNet и использует Group Normalization и Weight Standardization вместо Batch Normalization. Модель содержит около 1,107 млрд параметров, рассчитана на изображения размером 224 × 224 пикселя и требует значительных вычислительных ресурсов. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Обучение на ImageNet-21k даёт ей широкие визуальные представления для задач компьютерного зрения; доступные веса представлены в форматах PyTorch и Safetensors и используются через библиотеку timm. Лицензия — Apache-2.0. Модель обрабатывает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Она не предназначена для понимания текста или мультимодального диалога; при переносе на узкие предметные области может потребоваться дополнительная адаптация.

ResNetV2-50.a1h_in1k — сверточная модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k по рецепту A1 из работы ResNet Strikes Back. Архитектура ResNet-V2 использует предварительную активацию остаточных блоков. Модель содержит около 25,5 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную стоимость 4,1 GMACs. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Она принимает изображения и выдаёт оценки классов; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache 2.0.

ResNetV2-50x1-BiT — модель классификации изображений из библиотеки timm, основанная на предактивационной архитектуре ResNet и разработанная авторами работы Big Transfer. Модель предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k. Она содержит около 25,5 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Вместо Batch Normalization модель использует Group Normalization и Weight Standardization. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Весы доступны в форматах PyTorch и safetensors; библиотека для работы — timm. Лицензия — Apache-2.0. Модель обучалась на ImageNet, поэтому её качество и классы ориентированы на распознавание объектов этого набора данных. В карточке не приведены сведения о поддержке конкретных языков или оценках производительности на других наборах данных.

seresnet152d.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту RandAugment RA2. Архитектура SE-ResNet-D включает остаточные блоки ResNet, механизм Squeeze-and-Excitation для внимания к каналам, трёхслойный свёрточный stem и усредняющий пулинг в shortcut-связях. Модель содержит 66,8 млн параметров и требует 320 × 320 пикселей для тестирования. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Обучение с аугментациями RandAugment, оптимизатором RMSProp и усреднением весов EMA помогает получать устойчивые визуальные признаки. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

tf_efficientnetv2_s.in21k_ft_in1k — модель классификации изображений семейства EfficientNetV2, опубликованная в библиотеке timm. Авторы статьи обучили её на ImageNet-21k, затем дообучили на ImageNet-1k в TensorFlow; Ross Wightman перенёс веса в PyTorch. Модель содержит 21,5 млн параметров и также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Она предназначена для классификации изображений общего назначения и может применяться как визуальный backbone в других задачах компьютерного зрения. Для обучения указано разрешение 300 × 300 пикселей, для оценки — 384 × 384. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

TResNet-L модели timm — сверточная модель для классификации изображений и извлечения визуальных признаков. Её разработали авторы статьи TResNet и обучили на ImageNet-1k. Веса адаптированы для стандартного BatchNorm вместо InplaceABN, чтобы упростить совместимость с актуальными инструментами PyTorch. Модель принимает изображения размером 224 × 224 и предсказывает классы из ImageNet-1k. Её также можно использовать как backbone для извлечения карт признаков и визуальных эмбеддингов. Размер модели — 56 млн параметров, вычислительная сложность — 10,9 GMACs. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для задач классификации общего назначения; её классы и качество ориентированы на ImageNet-1k.

TResNet-M — модель классификации изображений и извлечения признаков из семейства TResNet, опубликованная авторами модели и доступная через timm. Она предварительно обучена на ImageNet-21K-P — подмножестве ImageNet-22k примерно из 11 тысяч классов — и предназначена для классификации изображений, получения карт признаков и эмбеддингов изображений. Модель содержит около 52,3 млн параметров; указан стандартный размер изображения 224 × 224, вычислительная сложность — 5,8 GMACs. Веса адаптированы из оригинальных: вместо InplaceABN используется стандартный BatchNorm. Репозиторий содержит веса PyTorch в формате safetensors. Модель принимает изображения и выдаёт классовые оценки либо представления признаков. Лицензия Apache-2.0 разрешает использование на её условиях.

TResNet XL — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи TResNet на ImageNet-1k; репозиторий timm содержит преобразованные веса, совместимые со стандартным BatchNorm вместо InplaceABN. Модель имеет 78,4 млн параметров, требует изображения размером 448 × 448 пикселей и вычисляет 60,8 GMACs. Модель подходит 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 разрешает использование на её условиях.