I.8Изображения и компьютерное зрение

Это дообученная на наборе MNIST модель CLIP ViT-Base с размером патча 32, опубликованная пользователем tanganke. Она основана на openai/clip-vit-base-patch32 и содержит 113,2 млн параметров. Модель предназначена для извлечения признаков изображений; карточка приводит оценку 0,9957 после дообучения на MNIST против 0,4759 до него. Модель принимает изображения и выдаёт визуальные признаки, поэтому может использоваться в экспериментах с представлениями рукописных цифр и компьютерным зрением на MNIST. В метаданных указан формат safetensors. Лицензия в предоставленных данных не указана.

Модель li1212/conditional-detr-resnet-50_finetuned_cppe5 — дообученная версия Conditional DETR с ResNet-50 от Microsoft для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки; по метрикам оценки в README модель распознаёт, в частности, комбинезоны, защитные щитки, перчатки, очки и маски. Заявлены mAP 0,2889 и mAP@50 0,5213 на тестовом наборе; набор данных указан как неизвестный. Модель распространяется в формате safetensors по лицензии Apache-2.0.

FFXL400 — модель генерации изображений по текстовому описанию от FFusion AI, созданная объединением выбранных блоков множества LoRA из коллекции 400GB-LoraXL. В метаданных указана связь дообучения с FFusion/FFusionXL-BASE; модель относится к семейству Stable Diffusion XL и предназначена для работы через Diffusers. Модель принимает текстовые промпты и генерирует изображения. Автор описывает её как основу для генерации, дальнейшего обучения и экспериментов с совместным применением нескольких LoRA. Репозиторий содержит варианты safetensors и Diffusers, а также ONNX FP16 для DirectML. В карточке указан английский язык; лицензия — OpenRAIL++. README не приводит измерений качества или подробных рекомендаций по настройке промптов. Утверждение об объединении LoRA не раскрывает состав и влияние отдельных компонентов, поэтому результаты могут зависеть от промпта и среды запуска.

HiDream-O1-Image-Dev-mlx-q6 — модель генерации изображений по тексту, портированная Mrbizarro в формат MLX и опубликованная mlx-community для компьютеров Apple Silicon. Она основана на HiDream-ai/HiDream-O1-Image-Dev; в репозитории находятся 6-битно квантованные веса с group_size 64, а дополнительные diffusion-головы сохранены в BF16. Модель предназначена для локального создания изображений по текстовым запросам на устройствах с ограниченной оперативной памятью. По данным карточки, вариант Q6 занимает около 8 ГБ и использует примерно 8,5 ГБ оперативной памяти. Он даёт чистые результаты при квадратных размерах 1024 × 1024 и 2048 × 2048; для неквадратных изображений README отмечает заметную сетку артефактов с шагом 32 пикселя в однотонных областях. Редактирование изображений для этого Q6-варианта не предназначено: для него требуется версия BF16. Лицензия — MIT.

kopyl/miniSDXL — дообученная на базе Stable Diffusion XL Base 1.0 модель для генерации изображений по текстовым запросам. Автор уменьшил целевое разрешение генерации до 256 × 256 пикселей, чтобы ускорить вывод и удешевить эксперименты с обучением и творческую работу. Модель построена для Diffusers и распространяется в формате SafeTensors. Для обучения использовался набор LAION Improved Aesthetics 6plus. Модель предназначена для быстрого создания небольших изображений и экспериментов с тонкой настройкой SDXL. Лицензия — CreativeML OpenRAIL-M.

Onyx Z Image Turbo — производная 3-битная MLX-квантизация модели Tongyi-MAI/Z-Image-Turbo, подготовленная для локального запуска на устройстве в приложении Onyx. Модель генерирует изображения по текстовым описаниям; исходная модель дистиллирована для быстрой генерации, а для вывода требуется около 8 шагов без CFG. Квантизированы линейные слои трансформера и текстового энкодера Qwen3 с группой 64; нормы, эмбеддинги, свёрточные слои и VAE сохранены в fp16. В состав также входят токенизатор и планировщик. Автор репозитория сообщает, что проверил загрузку модели в движке Onyx и генерацию изображений. Лицензия — Apache-2.0.

Playground v2 512px Base — диффузионная модель генерации изображений по тексту, разработанная исследовательской командой Playground и обученная с нуля. Репозиторий содержит базовый чекпойнт, рассчитанный на создание изображений разрешением 512 × 512; модель доступна для использования через Hugging Face Diffusers и распространяется в форматах Diffusers, PyTorch и Safetensors. Модель представляет собой Latent Diffusion Model с архитектурой, следующей Stable Diffusion XL, и использует два фиксированных предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Она подходит для экспериментов с генерацией изображений и исследования базовых моделей и методов оценки эстетического качества. В README приведены результаты пользовательского исследования и сравнение промежуточных чекпойнтов по FID и CLIP Score; эти результаты не гарантируют качество отдельной генерации. Авторы отмечают, что этот базовый чекпойнт предназначен преимущественно для исследований и обычно не создаёт высокоэстетичные изображения. Для модели указана Playground v2 Community License; конкретные условия использования следует сверять с текстом этой лицензии.

Это экспериментальная квантизированная версия модели Qwen-Image, подготовленная для Diffusers. В ней используется трансформер диффузии Nunchaku Lite INT4 с рангом 32 и текстовый энкодер bitsandbytes NF4 в 4-битном формате; токенизатор, планировщик и VAE унаследованы от базового конвейера Qwen/Qwen-Image. Модель создаёт изображения по текстовым запросам на английском и китайском языках. Квантизация снижает пиковое использование видеопамяти по сравнению с BF16-конвейером в описанном тесте, однако на NVIDIA Blackwell версия INT4 работала медленнее FP4, а производительность и качество могут отличаться от исходной модели и среды выполнения Nunchaku. Для запуска нужны CUDA-совместимая среда PyTorch, Diffusers с поддержкой Nunchaku Lite, пакет kernels и bitsandbytes. Модель распространяется по лицензии Apache-2.0.

Spatial-SSRL-Qwen3VL-4B — мультимодальная модель InternLM для понимания пространственных отношений на изображениях. Она создана дообучением Qwen/Qwen3-VL-4B-Instruct с помощью подхода Spatial-SSRL — лёгкого метода обучения с подкреплением по самоконтролируемым сигналам. Модель сохраняет общие возможности исходной модели для работы с изображениями и ориентирована на пространственное рассуждение и визуальные вопросы и ответы. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; архитектура — плотная Qwen3-VL с 4 млрд параметров. В описании Spatial-SSRL также рассматриваются задачи для изображений и видео, но карточка этой конкретной модели указывает задачу image-text-to-text. Обучение Spatial-SSRL использует обычные RGB- и RGB-D-изображения без ручной разметки. Модель распространяется по лицензии Apache-2.0.

URPM-SD1.5-v2.3.inpainting — версия модели Stable Diffusion 1.5 для генерации и дорисовки изображений по текстовому запросу и исходному изображению. Модель создана автором saftle и предназначена для фотореалистичных изображений, включая контент сексуального характера; для работы подходит Diffusers с конвейером StableDiffusionInpaintPipeline. Модель основана на SD 1.5 и распространяется в форматах Diffusers и safetensors. В режиме inpainting она изменяет выбранную область изображения с учётом текстового запроса. README советует использовать сдержанные негативные промпты и предупреждает о риске случайного создания NSFW-изображений с несовершеннолетними образами. Лицензия в предоставленных данных не указана.

Yiffymix v43 — модель генерации изображений по текстовому описанию, выпущенная chilon249 и представленная здесь в формате, совместимом с Diffusers. Она относится к семейству Stable Diffusion и предназначена для создания изображений по текстовым запросам. Для работы используется v-prediction scheduler; при запуске через Stable Diffusion WebUI автор рекомендует разместить рядом с моделью соответствующий YAML-файл. В карточке указана лицензия OpenRAIL++. В README нет сведений о размере модели, поддерживаемых языках или специальных предметных областях. Версия v43 отличается от упомянутой автором v52 на базе SDXL.

ckpt/anything-v4.5-vae-swapped — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная camenduru на Hugging Face. В ней заменён VAE модели Anything v4.5 на Anything v4.0 VAE, поэтому отдельное подключение VAE не требуется. Репозиторий содержит pipeline StableDiffusionPipeline для Diffusers и веса в форматах checkpoint и safetensors. Модель предназначена для создания изображений по текстовым промптам; карточка демонстрирует стандартный сценарий генерации через Diffusers. Сведения о размере параметров, контекстном лимите, поддерживаемых языках и лицензии в доступных источниках не подтверждены. Качество и стиль результата зависят от промпта и параметров генерации.

digiplay/asyncsMIX_v2 — модель генерации изображений по текстовому описанию в формате Diffusers. В карточке указано, что автор добавил собственный пример изображения, а также приведены демонстрационные изображения первоначального автора. Метаданные относят модель к семейству Stable Diffusion и указывают форматы Diffusers, PyTorch и safetensors. Лицензия обозначена как other; карточка не уточняет условия её использования. Модель предназначена для создания изображений по текстовым запросам.

fancyfeast/bigaspv26-training — обучающие чекпойнты модели bigASP v2.6, созданные для использования с библиотекой Diffusers. В репозитории на некоторых этапах сохранено состояние обучения, чтобы при необходимости можно было вернуться к более раннему состоянию. Метаданные указывают архитектуру Stable Diffusion XL и формат safetensors; модель предназначена для генерации изображений по текстовому описанию. Репозиторий содержит обучающие состояния, поэтому он ориентирован на продолжение или восстановление процесса обучения. Модель распространяется по лицензии Apache-2.0. Данные не уточняют размер модели, поддерживаемые языки или ограничения качества.

BigGAN-deep-128 — модель генерации изображений, опубликованная osanseviero. Карточка указывает, что модель работает только с входами ImageNet; конкретные варианты входа в README не приведены. Метаданные обозначают задачу как text-to-image, однако README не подтверждает текстовое управление генерацией, поэтому описание этой возможности ограничено сведениями каталога. Модель предназначена для генерации изображений в рамках распределения ImageNet. В репозитории указан формат PyTorch. Сведения о размере модели, контексте и лицензии в предоставленных источниках отсутствуют.

BK-SDM-Tiny — компактная версия Stable Diffusion v1.4, созданная авторами BK-SDM для более эффективной генерации изображений по текстовому описанию. В модели удалены дополнительные residual- и attention-блоки из U-Net, после чего её обучали имитировать исходную модель с помощью дистилляции. U-Net содержит около 0,33 млрд параметров; для запуска используется библиотека Diffusers и формат весов Safetensors. Модель предназначена для генерации изображений в исследовательских и творческих сценариях: создания иллюстраций, разработки художественных концепций и изучения генеративных моделей. Обучение дистилляции использовало около 212 тысяч пар изображений и текстов из LAION-Aesthetics V2 6.5+. Качество ниже, чем у Stable Diffusion v1.4: модель может плохо передавать сложные композиции, лица и людей, не умеет надёжно создавать читаемый текст и уступает на запросах не на английском языке. Она не предназначена для достоверного изображения людей или событий; для использования рекомендуется Safety Checker из Diffusers. Лицензия — CreativeML OpenRAIL-M.

Cetus-Mix-Codaedition_diffusers — версия модели 5G Cetus-Mix-Codaedition, преобразованная в вариант объёмом 2G. Репозиторий содержит веса в форматах Diffusers и Safetensors и предназначен для генерации изображений по текстовым запросам. Карточка не описывает архитектуру, языки, обучающие данные или результаты проверки качества. Лицензия указана как other, поэтому конкретные условия использования по имеющимся сведениям определить нельзя.

CXformer-small — компактная модель компьютерного зрения для анализа рентгенограмм грудной клетки, разработанная m42-health на основе DINOv2 с register-токенами. Модель дообучена с клинически ориентированными изменениями и предназначена для извлечения признаков изображений; её можно использовать как основу для классификации патологий, сегментации анатомических областей и генерации рентгенологических описаний. Модель содержит 28,3 млн параметров и принимает изображения, в первую очередь фронтальные рентгенограммы в проекциях PA/AP. Предварительное обучение проводилось на более чем 600 тысячах снимков из пяти наборов данных. Авторы сообщают о результатах на задачах классификации, сегментации и генерации описаний, а также о сопоставимой с RAD-DINO эффективности CXformer(S) при существенно меньших вычислительных затратах на обучение. Лицензия CC BY-NC-4.0 ограничивает коммерческое использование; авторы также указывают исследовательское назначение. Модель не валидирована для клинических решений и не предназначена для диагностики или лечения пациентов.

densenet121.tiatoolbox-pcam — модель классификации изображений на основе DenseNet-121, обученная центром Tissue Image Analytics (TIA Centre) на гистологических патчах набора Patch Camelyon (PCam). Она предназначена для классификации небольших изображений ткани и может использоваться как основа для извлечения признаков из гистологических изображений. Модель содержит 7,04 млн параметров и рассчитана на входные изображения размером 96 × 96 пикселей с тремя цветовыми каналами. Модель ориентирована на анализ гистологических изображений, в частности патчей PCam. Репозиторий содержит веса в формате safetensors; в карточке также указана поддержка библиотеки timm. Лицензия — CC0 1.0 Universal.

Omnico/Krea2_turbo_diff_loras — набор LoRA-адаптеров, извлечённых из дообученных чекпойнтов на базе Krea-2-Turbo. Автор сообщает, что создал их для более удобного использования: LoRA можно смешивать в реальном времени и применять с разными весами, занимая меньше места, чем исходные чекпойнты. Модель предназначена для генерации изображений по текстовому описанию в экосистеме Diffusers и поддерживает сценарии, где требуется адаптировать стиль или характеристики генерации без загрузки полного дообученного чекпойнта. В примерах представлены фотореалистичные, кинематографичные и стилизованные сцены, включая портреты, животных и мем-сюжеты. Точные архитектурные параметры, размер, поддерживаемые языки и размер контекста в README не указаны; базовой моделью названа krea/Krea-2-Turbo. По данным автора, LoRA хорошо работают при силе 100–150%, а выбор rank позволяет управлять компромиссом между качеством и требованиями к памяти: меньший rank обычно требует меньше памяти и в некоторых случаях снижает вероятность артефактов, хотя результат может сильнее отличаться от исходного чекпойнта. Набор создавался на Mac Mini M4, поэтому заявленные характеристики производительности нельзя обобщать на другое оборудование. Лицензия в README не указана.

jimmycarter/LibreFlux-SimpleTuner — версия LibreFLUX, подготовленная для использования с SimpleTuner. В README указано, что для обучения нужно включить параметр `--flux_attention_masked_training` в `config.json`. Модель предназначена для генерации изображений по текстовому описанию и использует Diffusers с компонентом FluxPipeline; веса представлены в формате safetensors. Репозиторий лицензирован по Apache-2.0. Данных о размере модели, поддерживаемых языках и ограничениях качества в доступных источниках нет.

LibreGemma4e2b-i1-GGUF — это квантованное представление vision-language модели LibreGemma4e2b, разработанной LibreYOLO и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для задач, сочетающих обработку текста и изображений, включая сценарии image-text-to-text и object detection. В карточке указано, что поддерживается английский язык и используется библиотека Transformers. Точные сведения об архитектуре, размере исходной модели, максимальном контексте и поддерживаемых модальностях не приведены; известно лишь, что это vision-модель. Репозиторий содержит варианты квантования i1 с типами Q2_K, Q3_K, IQ3, IQ4, Q4–Q6 и другими, размером примерно от 3,1 до 3,9 ГБ. В README отмечается компромисс между размером, скоростью и качеством: Q4_K_M рекомендован как быстрый вариант, а IQ-кванты могут быть предпочтительнее сопоставимых по размеру стандартных вариантов. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Ограничениями являются потеря качества при низких уровнях квантования и отсутствие подробных данных о результатах тестирования, контекстном окне и поддерживаемых языках помимо английского. Модель и производные файлы распространяются по лицензии Apache-2.0.

OVB FLUX.2-dev checkpoint 500 — это промежуточный чекпойнт трансформера после 500 шага дообучения FLUX.2 [dev], опубликованный valentinospariza. Он предназначен для генерации и редактирования изображений по текстовым запросам и референсным изображениям в составе базового конвейера FLUX.2 [dev]. В репозитории находятся только веса дообученного трансформера в формате safetensors; для запуска требуются VAE, текстовые энкодеры и другие компоненты базовой модели, а также доступ к gated-репозиторию black-forest-labs/FLUX.2-dev. Это ранний экспериментальный чекпойнт, а не завершённая модель; обучение проводилось без масок валидности. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверять с карточкой модели и базового чекпойнта.

dlcvproj/sd-test — модель для генерации изображений, размещённая пользователем dlcvproj на Hugging Face. Метаданные относят её к задаче text-to-image и указывают форматы Diffusers, PyTorch и safetensors; README показывает загрузку через библиотеку diffusers с помощью DDPMPipeline и генерацию изображения без текстового запроса. Данных о разработчике архитектуры, размере модели, обучающих данных, языках и лицензии в доступных источниках нет.

Supra2-IMG — компактная модель генерации изображений по текстовому описанию, разработанная SupraLabs. Это диффузионный трансформер SupraDiT примерно на 104,1 млн параметров, обученный с нуля на 5,6 млн синтетических изображений из LucasFang/FLUX-Reason-6M. Для кодирования текста используется замороженный Flan-T5-Base с контекстом до 128 токенов, а изображения создаются через SD-VAE-FT-MSE с разрешением 256 × 256 пикселей. Модель предназначена для генерации изображений по текстовым запросам. В README приведены метрики FID 27,9 и CLIP 29,4, а для генерации рекомендованы 50 шагов и CFG 3.0. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. По опубликованным характеристикам модель ориентирована на небольшие изображения; качество для иных разрешений и широкого спектра запросов не подтверждено.

ZB-Tech/Text-to-Image — LoRA-адаптер для Stable Diffusion XL Base 1.0 от ZB-Tech. Он предназначен для генерации изображений по текстовым запросам и используется вместе с базовой моделью stabilityai/stable-diffusion-xl-base-1.0 через библиотеку Diffusers. Адаптер обучен на наборе данных ZB-Tech/DreamXL; текстовый энкодер при обучении LoRA не настраивался. Для обучения использовался VAE madebyollin/sdxl-vae-fp16-fix. В репозитории доступны веса в формате Safetensors. Лицензия — OpenRAIL++; для генерации требуется базовая модель SDXL. Карточка не приводит дополнительных сведений о качестве, рекомендуемых настройках или ограничениях адаптера.

VBVR-Pro-ThinkMorph — мультимодальная модель, созданная авторами проекта VBVR-Pro как дообучение ThinkMorph-7B. Она предназначена для визуального рассуждения через генерацию: принимает исходное изображение и текстовую инструкцию, формирует последовательность чередующихся текстовых рассуждений и изображений, а затем возвращает итоговый ответ. Модель обучена на данных VBVR-Pro-SFT-Image; опубликованы веса EMA с шага обучения 25 000 в формате BF16 и полный чекпойнт, включающий автоэнкодер изображений. Модель рассчитана на задачи, где нужно анализировать визуальную сцену и создавать промежуточные состояния изображения, например отслеживать изменения или выполнять визуальные преобразования. Авторы сообщают о переносе на ряд тестов визуального рассуждения. Используется специализированная архитектура ThinkMorph/BAGEL с языковой конфигурацией Qwen2-MoT; для запуска требуются код и зависимости ThinkMorph, Linux и CUDA, рекомендуется GPU класса 80 ГБ. Обычная загрузка через Transformers AutoModel или Diffusers не поддерживается. Лицензия — Apache-2.0.

jayn7/Z-Image-GGUF — это квантизированная версия модели Z-Image, разработанной Tongyi-MAI, в формате GGUF. Модель предназначена для генерации изображений по текстовому описанию и может использоваться в сценариях text-to-image, включая работу через ComfyUI-GGUF. В состав поставки входит GGUF-версия Z-Image; для текстового кодирования README также указывает совместимую модель Qwen3-4B в формате GGUF. Точные сведения об архитектуре исходной модели, количестве параметров, поддерживаемых языках, размере контекста и доступных вариантах квантизации в карточке не приведены. Преимущество формата GGUF заключается в удобстве интеграции с совместимыми инструментами и запуске различных квантизированных вариантов, однако квантизация может влиять на качество генерации по сравнению с исходной моделью. Приведённые в README примеры являются лишь быстрым сравнением и не отражают полный потенциал модели. Для использования рекомендуется ComfyUI-GGUF от city96. Модель основана на Z-Image от Tongyi-MAI, а инструменты и руководство по квантизации связаны с llama.cpp и ComfyUI-GGUF. Репозиторий следует той же лицензии, что и Z-Image; в метаданных указана лицензия Apache-2.0.

thalostech2025/dfine-small-construction-ppe-v1 — детектор объектов D-FINE Small, дообученный на наборе thalostech2025/construction-ppe-equipment-v1 на основе ustc-community/dfine-small-coco. Модель предназначена для обнаружения людей, средств индивидуальной защиты и строительной техники на изображениях, в том числе для проверки наличия касок и сигнальных жилетов на строительной площадке. В опубликованных результатах оценки на тестовом наборе mAP составляет 0,3579, а mAP для классов Person, Hardhat и Safety-vest — 0,7402, 0,5973 и 0,7389 соответственно. Результаты существенно различаются по классам: для No-mask, No-goggles и No-safety-vest приведённые значения mAP близки к нулю, поэтому обнаружение этих объектов ненадёжно. Модель принимает изображения и выдаёт классы объектов с ограничивающими рамками. Лицензия — Apache-2.0.

EAGLE-360 Qwen3-VL GRPO — контрольная точка, подготовленная для проекта EAGLE-360 на основе Qwen/Qwen3-VL-4B-Instruct и дообученная с помощью GRPO для локализации объектов на панорамных изображениях 360°. Модель принимает панорамное изображение и текстовый запрос с названием целевого объекта, затем в ходе многошагового рассуждения от глобального обзора к локальному предсказывает азимут и угол места объекта в градусах. Модель предназначена для оценки и экспериментов по панорамной локализации объектов с использованием кода EAGLE-360. Для запуска требуются специальные патчи Rolling RoPE для панорамных изображений из проекта и поддержка в vLLM или Transformers. Контрольная точка опубликована в формате safetensors; лицензия в доступных сведениях не указана.