I.8Изображения и компьютерное зрение

UNI2-h — предварительно обученный визуальный backbone Mahmood Lab AI for Pathology при Harvard/BWH для извлечения признаков из гистологических изображений. Модель основана на ViT-H/14 и DINOv2; при предобучении использовалось более 200 миллионов фрагментов изображений с более чем 350 тысяч H&E- и IHC-препаратов Mass General Brigham. Для извлечения признаков изображения подаются в формате 224 × 224, а модель возвращает вектор признаков размерности 1536; веса загружаются через timm. Замороженные признаки подходят для классификации и поиска сходных областей ткани, а также для классификации целых гистологических слайдов с помощью MIL. Для сегментации README рекомендует дообучение специализированными инструментами. Модель ориентирована на патологические изображения, а не на самостоятельную постановку диагноза. Доступ предоставляется по лицензии CC-BY-NC-ND-4.0 с ограничениями на коммерческое использование и распространение производных материалов; для получения доступа требуется принять условия на Hugging Face.

thalostech2025/dfine-small-construction-ppe-v2 — дообученная модель D-FINE для обнаружения объектов на изображениях. Она основана на ustc-community/dfine-small-coco и предназначена для поиска людей, средств индивидуальной защиты и строительной техники: касок, сигнальных жилетов, перчаток, защитной обуви, экскаваторов, самосвалов и фронтальных погрузчиков. Модель может помогать анализировать изображения строительных площадок и выявлять наличие перечисленных объектов с помощью ограничивающих рамок. В README приведены метрики оценки, однако данные обучения не описаны. Результаты заметно различаются между классами: например, mAP для жилетов составляет 0,6181, а для классов «без маски» и «без очков» — 0. Лицензия — Apache-2.0.

Idan/fga-vqa-trainval — модель для ответов на вопросы об изображениях, обученная по протоколу VQA v1 на объединённых наборах train2014 и val2014. Она использует архитектуру OpenEndedVQAModel с механизмом внимания Factor Graph Attention из работы CVPR 2019 и рассчитана на открытые вопросы по визуальному содержимому. Модель обучена на 351 596 вопросах с 36 региональными признаками изображения на пример и целевой функцией soft_ce, учитывающей оценки ответов десятью аннотаторами. Для инференса подаются токены вопроса и признаки изображения; модель выдаёт ответ. README не приводит оценку на test-dev: ответы тестового набора VQA v1 не опубликованы, а метрика появляется только после отправки предсказаний на сервер оценки. Модель распространяется под лицензией MIT.

Abhijnyabhat/fo — набор весов textual inversion для CompVis/stable-diffusion-v1-4, опубликованный пользователем Abhijnyabhat. Это адаптация Stable Diffusion v1.4 для генерации изображений по текстовым запросам; веса подключаются к базовой модели через Diffusers. В README не описана тематика или стиль обученного текстового токена, поэтому конкретные сценарии его применения определить нельзя. Репозиторий содержит веса в формате Safetensors и предназначен для работы с библиотекой Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит подробностей об обучении или примерах использования, а раздел об ограничениях оставлен незаполненным.

Abhijnyabhat/fy — веса textual inversion для модели генерации изображений CompVis/stable-diffusion-v1-4. Адаптация предназначена для создания изображений по текстовым запросам с использованием Diffusers и StableDiffusionPipeline; для работы нужны базовая модель и совместимый пайплайн. Базовая модель преимущественно ориентирована на запросы на английском языке. Репозиторий содержит веса в форматах Diffusers и safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Карточка не описывает конкретную концепцию или стиль, который добавляют веса, и не приводит примеров применения или ограничений этой адаптации.

microsoft/git-base-msrvtt-qa — базовая версия GIT (GenerativeImage2Text), разработанная Microsoft и дообученная на наборе MSRVTT-QA для ответов на вопросы о видео. Модель содержит 80,1 млн параметров и построена как Transformer-декодер: он использует токены изображения, полученные из CLIP, и текстовые токены, чтобы генерировать следующий текстовый токен. В метаданных указан контекст 1024 токена. Модель предназначена прежде всего для визуальных вопросов и ответов по видео; архитектура GIT также позволяет применять её для описания изображений и видео и классификации изображений с ответом в текстовом виде. В README приведены сведения о предобучении GIT-base на 10 млн пар изображение–текст и последующем дообучении на MSRVTT-QA. Карточка не сообщает результаты оценки этого чекпойнта. Это англоязычная модель, принимающая визуальные данные и текстовый запрос и выдающая текстовый ответ. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии MIT. Для входных данных требуется предусмотренная моделью обработка изображений; точная пригодность для иных языков и предметных областей не установлена.

H0-mini — облегчённая фундаментальная модель для анализа гистологических изображений, разработанная Owkin и Bioptimus. Это Vision Transformer Base/14, полученный дистилляцией H-optimus-0 (ViT-g/14) методом самоконтролируемого обучения DINOv2 на PanCancer40M — наборе из 43 миллионов фрагментов тканей из 6 093 гистологических слайдов TCGA. Модель предназначена для извлечения признаков из изображений гистологических фрагментов и последующего применения в задачах классификации областей интереса и целых слайдов, сегментации и других сценариях цифровой патологии. Признаки можно использовать без дообучения или после него, например как входные данные для алгоритмов multiple-instance learning. Авторы сообщают о качестве, сопоставимом с современными фундаментальными моделями гистологии при меньших затратах на инференс, и устойчивости к различиям в окрашивании и протоколах сканирования. Модель принимает изображения и выдаёт векторные признаки; основная задача в каталоге Hugging Face — image-feature-extraction. Модель специализируется на гистологии и медицинской визуализации. Репозиторий распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных материалов.

SidXXD/m-451 — это веса textual inversion, созданные автором для Stable Diffusion v1.5 и предназначенные для генерации изображений по текстовым запросам с использованием выученного текстового представления. Модель загружается как адаптация к stable-diffusion-v1-5/stable-diffusion-v1-5 в библиотеке Diffusers; файлы представлены в форматах Diffusers и Safetensors. Адаптацию можно применять в сценариях генерации изображений по промпту, подключив её к базовой модели. Карточка не уточняет, какое именно понятие или визуальный стиль кодируют веса, поэтому конкретную тематику применения определить нельзя. Лицензия — CreativeML OpenRAIL-M.

SenseNova-SI-1.1-InternVL3-8B — мультимодальная чат-модель для задач пространственного понимания, разработанная командой SenseNova-SI и основанная на дообученной OpenGVLab/InternVL3-8B. Она принимает изображения и текстовые вопросы, чтобы отвечать о взаимном расположении объектов, ориентации и других пространственных свойствах. Модель предназначена для оценки на пространственных бенчмарках VSI, MMSI, MindCube, ViewSpatial и SITE, сохраняя общие возможности понимания изображений и текста. Модель использует плотную архитектуру InternVLChatModel и распространяется в формате safetensors для Transformers. В README приведены результаты сравнительного тестирования и описан проект по масштабированию пространственных данных; конкретные размер модели и длина контекста для этой версии отдельно не подтверждены предоставленными сведениями. Указана лицензия Apache-2.0. Авторы отмечают риск переобучения и языковых shortcuts в обучении пространственным задачам.

Shapes — компактная модель Desert Ant Labs для распознавания геометрических фигур, нарисованных одним штрихом. Она принимает упорядоченные точки штриха в координатах холста и определяет класс фигуры, а также подбирает векторную геометрию для её выравнивания и привязки; неуверенные или неподходящие штрихи отклоняются. Модель распознаёт линии, прямоугольники, треугольники, эллипсы и звёзды, а также класс отказа для каракулей и незавершённых фигур. Предназначена для интерактивного ввода стилусом, например для преобразования эскизов в аккуратные фигуры в интерфейсах на основе PencilKit. Доступны варианты LiteRT/TFLite и Core ML; заявлены размер около 1,3 МБ для TFLite и 200 КБ для Core ML, а также выполнение за несколько миллисекунд на устройстве. Модель рассчитана только на одиночные штрихи: фигуры из нескольких штрихов не распознаются. Она настроена на намеренно нарисованные фигуры и может отклонять очень неровные или неоднозначные контуры. В метаданных указана лицензия other, поэтому конкретные права использования следует проверять в файлах репозитория.

Time Wizard — компактная модель компьютерного зрения и языка на 450 млн параметров, созданная дообучением LiquidAI/LFM2.5-VL-450M. Она анализирует фотографию аналоговых часов и отвечает временем в формате JSON, указывая час и минуту. Модель рассчитана на сценарии, где часы занимают большую часть изображения; для поиска часов в общем кадре сначала нужен детектор или ручная обрезка. Модель обучена на 2796 размеченных фотографиях из набора time-wizard-bench. В тесте на 200 фотографиях она показала 59% ответов с точностью до минуты и 74,5% правильных часов; авторы отмечают, что результат по точности до минуты находится в пределах статистической погрешности от GPT-5.6 Sol на этом тесте. Уверенность этих сравнений ограничена небольшим тестовым набором. Модель не определяет AM/PM и выдаёт часы в 12-часовом формате. Она может ошибаться на мелких или размытых циферблатах, цифровых часах, часах без минутной стрелки и остановившихся часах; рисунки и синтетические изображения не оценивались. Лицензия в метаданных указана как other, поэтому перед использованием следует проверить условия на странице модели.

BPModel-SD14-merge — экспериментальная сборка автора 6DammK9: веса UNet модели BPModel объединены с Stable Diffusion 1.4. По описанию, исходная BPModel сохраняла UNet, но не включала текстовый энкодер и VAE, поэтому для генерации здесь используются компоненты SD 1.4; автор также приводит пример работы со сменой модели и VAE. Сборка предназначена для создания изображений по текстовым запросам и проверки поведения объединённых моделей. Репозиторий содержит веса в формате safetensors и рассчитан на экосистему Diffusers. Лицензия — CreativeML OpenRAIL-M.

ColonCrafter — модель оценки глубины для видео колоноскопии, построенная на DepthCrafter и Stable Video Diffusion. Она использует диффузионные априорные знания и адаптацию LoRA для получения временно согласованных карт глубины по кадрам видео. В карточке указана архитектура UNet DepthCrafter с LoRA ранга 16, целевыми модулями внимания to_q, to_k, to_v и to_out.0, а также точность FP16. Модель предназначена для анализа глубины в колоноскопических видео, где согласованность оценок между соседними кадрами полезна для изучения геометрии и структуры обследуемой области. В метаданных указан pipeline depth-estimation и библиотека Transformers; репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

EGM-Qwen3-VL-4B-SFT — промежуточная контрольная точка первого этапа обучения модели Efficient Visual Grounding Language Models, разработанной NVIDIA. Это плотная мультимодальная модель на архитектуре Qwen3VLForConditionalGeneration, полученная дообучением Qwen/Qwen3-VL-4B-Thinking методом supervised fine-tuning на данных для визуального заземления с пошаговыми рассуждениями. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с визуальным заземлением. Контрольная точка предназначена прежде всего для дальнейшего обучения с подкреплением по схеме GRPO; итоговая модель этого процесса — nvidia/EGM-4B. Модель поддерживает диалоговый режим и визуальный ввод. В README указана точность bfloat16 и размер текстового скрытого представления 2560. Репозиторий распространяется по лицензии Apache-2.0.

Это экспериментальная конверсия Flux.1-dev в формате FP8 (float8_e4m3fn), опубликованная John6666. Исходную модель разработала Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию и распространяется в формате Diffusers с весами Safetensors. Автор карточки предупреждает, что конверсия выполнена самодельным скриптом и её корректность не подтверждена. Кроме того, серверный Inference API Hugging Face не поддерживает этот формат, поэтому через него модель не работает. Лицензия указана как other; подробные условия использования в предоставленных данных не приведены.

Alissonerdx выпустил набор модульных LoRA-адаптеров для генерации изображений моделью FLUX.1-dev. Адаптеры извлечены из трёх вариантов SRPO: исходного Tencent SRPO, сообщества rockerBOO и версии wikeeyang с квантизацией и доработкой. Доступны ранги 8, 16, 32, 64 и 128; автор рекомендует вариант rockerBOO, но отмечает, что разные версии дают разные результаты. Адаптеры предназначены для подключения к базовой FLUX.1-dev через Diffusers и позволяют использовать характеристики соответствующих вариантов SRPO, экспериментировать с рангами и сочетать адаптации с другими LoRA. В README приведён пример генерации изображения по текстовому запросу. Вариант для Nunchaku конвертирован официальным инструментом, но автор считает его экспериментальным и пока не рекомендует для обычного использования. Совместимость с Flux Krea упоминается только по непроверенным сообщениям. Репозиторий содержит файлы safetensors; отдельная лицензия в предоставленных данных не указана.

Карточка модели mrlonelydwarf/LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING на Hugging Face совпадает с карточкой andro-flock/LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING, поэтому описание составлено по ней. LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING — чекпойнт для генерации изображений по текстовому описанию и преобразования изображений. Репозиторий рассчитан на использование с библиотекой Diffusers; метаданные указывают на архитектуру Stable Diffusion XL Inpaint. В README приведён пример генерации изображения из текстового запроса через Diffusers. Модель подходит для создания изображений с заданными объектами, стилем и визуальными деталями, а также для сценариев редактирования изображений. В названии и тегах указана ориентация на контент для взрослых. Модель распространяется по лицензии CreativeML OpenRAIL-M.

May 2024 SDXL SD 1.5 PONY BACKUPS — коллекция резервных чекпойнтов для генерации изображений по текстовым запросам. Репозиторий размещён пользователем xFutureTechx; в карточке указано использование Diffusers и формата safetensors. Метаданные описывают модель как слияние нескольких чекпойнтов, среди которых AstraliteHeart/pony-diffusion-v6, cagliostrolab/animagine-xl-3.1, EarthnDusk/ko-fi-support-models, EarthnDusk/Lora_SD15_2023 и EnD-Diffusers/Stygianmix_V8. Модель предназначена для создания изображений по текстовым описаниям, в том числе в стилистике Pony. README советует учитывать лицензионные условия исходных Pony-моделей, указывает на возможность повторного использования и слияния с указанием авторства. Метаданные репозитория указывают лицензию CreativeML OpenRAIL-M. README не приводит подробностей о размере, контексте или качестве отдельных чекпойнтов.

Mitsua Diffusion CC0 — латентная диффузионная модель преобразования текста в изображения, разработанная командой Abstract Engine. Её U-Net обучен с нуля на изображениях из общественного достояния, под лицензией CC0 и на материалах, использованных с разрешения; текстовый энкодер и VAE взяты из Stable Diffusion 2.1 Base. Модель распространяется в формате Diffusers/PyTorch и предназначена в том числе для использования как базовая модель проекта AI VTuber Elan Mitsua. Модель генерирует изображения по текстовым запросам. В обучающую выборку вошли произведения искусства, фотографии и рендеры 3D-моделей; разработчики сообщают примерно о 11 миллионах изображений с аугментацией и об отсутствии в наборе данных изображений, созданных ИИ. Авторы отмечают, что качество изображений пока очень низкое, а разнообразие ограничено. Лицензия в метаданных — OpenRAIL++ (openrail++).

Это дообученная модель генерации изображений FLUX.2 Klein Base 4B, экспортированная в формате Hugging Face Diffusers. Разработчик репозитория — kimi000; в основе лежит black-forest-labs/FLUX.2-klein-base-4B. Модель обучалась методом DiffusionNFT на небольшом наборе из 16 промптов по рубрикам качества и экспортирована на шаге 500 с EMA-весами; LoRA была объединена с трансформером. Экспорт содержит около 3,88 млрд параметров трансформера и использует точность BF16. Модель предназначена для создания изображений по текстовым описаниям. Карточка демонстрирует генерацию изображения размером 512 × 512 за четыре шага для проверочного запуска и приводит пример инференса с 20 шагами при разрешении 1024 × 1024. Репозиторий содержит Diffusers-пайплайн Flux2KleinPipeline; базовая модель также поддерживает редактирование изображений по референсам, но применимость этой возможности к данному дообученному чекпойнту отдельно не подтверждена. Это экспериментальный чекпойнт раннего шага обучения, созданный для конкретного набора промптов GenEval, поэтому его качество на широком круге запросов не установлено. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

Это перезагрузка модели Systemy, дообученной с использованием работ Cutesexyrobutts. Модель предназначена для генерации изображений по текстовым запросам и опубликована в формате Diffusers с файлами PyTorch и Safetensors. В карточке указаны английский язык и задача text-to-image. Исходная модель связана с семейством Stable Diffusion. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования и распространения по карточке установить нельзя.

Tora — модель генерации видео на основе текста с управлением движением по траекториям, разработанная Zhenghao Zhang, Junchao Liao и соавторами. Эта версия построена на CogVideoX-5B и предназначена для академических исследований генерации видео с контролируемым движением. Архитектура объединяет экстрактор траекторий, пространственно-временной Diffusion Transformer и модуль, который вводит сигналы движения в блоки трансформера. Модель сочетает текстовые, визуальные и траекторные условия, чтобы создавать видео с заданной динамикой, поддерживая различные длительности, соотношения сторон и разрешения. В карточке Hugging Face указана задача text-to-video, библиотека Diffusers и английский язык. Сильная сторона модели — управление движением и высокая точность следования траекториям. Версия предназначена только для академических исследований; полная версия Tora не опубликована. Лицензия указана как other, поэтому условия использования следует уточнять в материалах проекта.

Это визуальный backbone на архитектуре Vision Transformer (ViT), разработанный Owkin для работы с гистологическими изображениями. Модель предварительно обучена методом iBOT на 40 миллионах панканцерных фрагментов тканей из Pancancer40M, созданного на основе TCGA-COAD; обучение использовало masked image modeling и self-distillation. Модель предназначена прежде всего для извлечения признаков из изображений гистологических срезов, которые затем можно использовать в классификации и других задачах анализа тканей. Она имеет 85,8 млн параметров, принимает RGB-изображения размером 224 × 224 пикселя и использует патчи 16 × 16 пикселей. Репозиторий содержит веса PyTorch в формате safetensors и рассчитан на библиотеку timm. Лицензия Owkin разрешает некоммерческое использование. Модель обучалась на данных TCGA-COAD, поэтому качество и переносимость признаков для других типов тканей и задач могут различаться; README не приводит оценок качества.

BVRA/vit_base_patch16_384.in1k_ft_fungitastic_384 — модель компьютерного зрения для тонкой классификации видов грибов, дообученная на наборе данных FungiTastic. Она основана на Vision Transformer с патчами 16×16; размер входного изображения составляет 384×384 пикселя, а число параметров — около 88,3 млн. Модель предназначена для распознавания грибов по изображениям и получения визуальных эмбеддингов. Модель можно применять для классификации грибных видов на фотографиях в задачах экологии и исследования биоразнообразия. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

waiNSFWIllustrious_v120 — модель генерации изображений по текстовому описанию, опубликованная пользователем votepurchase на Hugging Face. В метаданных она обозначена как реалистичная и фотореалистичная модель на базе Stable Diffusion XL, совместимая с diffusers и StableDiffusionXLPipeline; исходная модель указана на Civitai. Модель предназначена для создания изображений по текстовым промптам, включая реалистичные визуальные сцены и контент для взрослой аудитории. Она распространяется в формате SafeTensors и имеет лицензию CreativeML Open RAIL-M. Модель ориентирована на генерацию изображений, однако поддерживаемые языки промптов, размер контекста, число параметров и специальные предметные области в предоставленных данных не указаны. Из-за пометки not-for-all-audiences её использование может быть неподходящим для несовершеннолетних, публичных платформ и сценариев с жёсткими требованиями к безопасности контента.

ARPG — модель генерации изображений, разработанная Хаопэном Ли, Цзиньюэ Ян, Гоцзи Ли и Хуаном Ваном из Университета Вестлейк и Института автоматизации Китайской академии наук. Она реализует авторегрессионную генерацию изображений с рандомизированным параллельным декодированием: сочетает маскированное моделирование в стиле BERT с каузальной архитектурой в стиле GPT. Модель предназначена для безусловной генерации изображений. В README заявлены быстрое выполнение, низкое потребление памяти, генерация в случайном порядке и zero-shot-инференс; приведено значение FID 1,94. Модель распространяется в формате Diffusers/PyTorch и загружается через DiffusionPipeline. Лицензия — MIT.

arunav007 разработал LoRA-адаптер для FLUX.1-dev, модели генерации изображений по текстовым описаниям от Black Forest Labs. Адаптер обучен на Replicate с помощью AI toolkit и предназначен для использования с FLUX.1-dev через Diffusers или ComfyUI. Для активации генерации с адаптером в запросе используется триггерное слово ARUNAV. Это производная модель в формате safetensors; базовая FLUX.1-dev содержит 12 миллиардов параметров. Модель ориентирована на создание изображений по тексту, а карточка указывает английский язык. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория и условиями базовой модели.

bigASP V2.5 — экспериментальная модель генерации изображений по тексту из семейства bigASP, созданная автором проекта как промежуточный этап перед V3. Это крупномасштабное дообучение Stable Diffusion XL Base 1.0 на 13 млн изображений с использованием 150 млн обучающих примеров; в датасет добавили, среди прочего, аниме. Для обучения применён Rectified Flow Matching вместо исходной цели обучения SDXL. Модель рассчитана на генерацию изображений, включая фотореалистичные сцены, и может запускаться через ComfyUI с примером workflow из карточки. По оценке автора, модель стала надёжнее предыдущей версии, лучше справляется со структурой изображений и освещением, а также несколько лучше передаёт лица и руки при подходящих настройках. При этом генерации остаются непредсказуемыми: модель часто создаёт слабые изображения, плохо работает с аниме и рисунками, может выдавать лишние конечности и артефакты, а повышенная контрастность и компромисс между структурой и детализацией требуют подбора настроек и промптов. Лицензия в предоставленных сведениях не описана.

Blank Canvas Diffusion v1 — модель генерации изображений по текстовому описанию, представленная rhfeiyang. Она обучена на наборе данных Blank Canvas Dataset и задумана как модель без знаний о графическом искусстве. Обучение проходило в два этапа: 41 400 шагов при разрешении 256 пикселей, затем 156 700 шагов при разрешении 512 пикселей. Модель предназначена для создания изображений по текстовым запросам. Репозиторий использует Diffusers и содержит веса в формате safetensors. В метаданных указан конвейер text-to-image; базовая модель и лицензия в доступных сведениях не обозначены.

Pixtral 12B Construction Safety — модель компьютерного зрения и языка на базе Pixtral 12B, дообученная автором репозитория для обнаружения и классификации опасностей на строительных площадках. Она принимает изображение и запрос, а в ответ формирует структурированный JSON с типами опасностей, уровнями серьёзности, приблизительными ограничивающими рамками и описаниями на английском и японском языках. Модель ориентирована на проверку средств индивидуальной защиты, включая каски и жилеты, а также на выявление опасностей падения и электрических рисков. Модель дообучена с помощью LoRA на примерах, размеченных учителем Qwen3.5-27B; в обучении использовались наборы данных по безопасности строительства и внутренние справочные изображения. В оценке на 50 тестовых изображениях авторы сообщают о повышении полноты обнаружения нарушений относительно базового Pixtral 12B. Это результат ограниченной оценки, поэтому он не гарантирует аналогичного качества на других площадках и условиях. Модель использует архитектуру LlavaForConditionalGeneration, обрабатывает изображения и текст и генерирует текстовый ответ. Лицензия — Apache-2.0. Она обучалась преимущественно на открытых строительных площадках; рамки объектов приблизительны, а распознавание погоды и освещения основано только на визуальных признаках. Для решений, критичных для безопасности, результаты следует проверять.