I.8Изображения и компьютерное зрение

KM445/flux2-klein-9b-uncensored-text-encoder-Q8_0-GGUF — это текстовый энкодер для семейства FLUX.2 klein 9B, преобразованный в формат GGUF из модели ponpoke/flux2-klein-9b-uncensored-text-encoder с помощью llama.cpp и GGUF-my-repo. В README также указано, что модель связана с задачами text-to-image и предназначена для использования в экосистеме FLUX.2 klein. Модель рассчитана на запуск через llama.cpp в командной строке или в режиме сервера. Указаны языки English и Japanese. Ключевая характеристика данного варианта — квантизация Q8_0 в формате GGUF; исходный размер модели составляет 9B параметров. В README приведён размер контекста 2048 токенов для запуска сервера. Другие сведения об архитектуре, точных характеристиках текстового энкодера и совместимости с конкретными генераторами изображений не указаны. Преимущество модели — удобный запуск через llama.cpp и сниженные требования к хранению и вычислениям по сравнению с полноразмерной версией благодаря квантизации. При этом README сообщает об удалённых фильтрах безопасности и возможности генерации общего NSFW-контента, поэтому модель требует ответственного и законного применения. Лицензия указана как flux-non-commercial-v2.1; для доступа требуется согласие с условиями, запрещающими создание незаконного контента и требующими соблюдения применимого законодательства.

WANG-CC/flux2-klein-9b-uncensored-text-encoder-Q8_0-GGUF — это текстовый энкодер для семейства text-to-image FLUX.2 Klein, разработанный на основе модели ponpoke/flux2-klein-9b-uncensored-text-encoder. Модель конвертирована в формат GGUF с использованием llama.cpp и инфраструктуры GGUF-my-repo; для запуска заявлена совместимость с llama.cpp в режиме CLI или сервера. Модель предназначена для обработки текстовых запросов в сценариях генерации изображений FLUX.2, а также может использоваться для локального текстового вывода через llama.cpp. В карточке указаны английский и японский языки. Размер модели обозначен как 9B, применяется квантование Q8_0. Контекст запуска в примере установлен на 2048 токенов, однако это значение относится к конфигурации запуска, а не обязательно к максимальному контексту модели. К сильным сторонам относятся локальный запуск через llama.cpp и уменьшенный по сравнению с полноразмерными весами объём хранения благодаря формату GGUF. При этом модель имеет удалённую фильтрацию безопасности и может генерировать общий NSFW-контент, поэтому её использование требует соблюдения законодательства и ответственного применения. Лицензия указана как flux-non-commercial-v2.1; коммерческое использование, вероятно, ограничено условиями этой лицензии, которые необходимо проверить в полном тексте лицензии.

NanoDiffusion-46M — модель генерации изображений по текстовому описанию, разработанная FlameF0X. Это примерно 46-миллионная UNet, обученная с нуля для диффузионной генерации в латентном пространстве; для преобразования между изображениями и латентами используется замороженный VAE из runwayml/stable-diffusion-v1-5, а для текстового кондиционирования — замороженный CLIP ViT-L/14 из той же модели. Архитектура UNet использует 128 базовых каналов, множители каналов (1, 2, 3, 4), по два остаточных блока на уровень и cross-attention на латентном разрешении 8. Модель обучалась на наборе BitTranslate/Bittensor_subnet_19_06_04_24 в течение 500 шагов. Указан размер генерации 256 пикселей с латентным представлением 32×32. Она предназначена для экспериментальной генерации изображений по текстовым запросам; короткое обучение ограничивает ожидания от качества и разнообразия результатов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

Heartsync/NSFW-Uncensored — модель генерации изображений по текстовому описанию, распространяемая в форматах Diffusers и Safetensors. В карточке она представлена как площадка для экспериментов с генерацией изображений и ограничениями цензуры; метаданные указывают на использование StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам и проверки возможностей генерации при разных формулировках. Карточка не сообщает размер модели, длину контекста или конкретные рекомендации по настройке. Модель помечена как NSFW и не предназначена для всех аудиторий. Лицензия — MIT.

Карточка модели nnnxnsn/NSFW-Uncensored на Hugging Face совпадает с карточкой Heartsync/NSFW-Uncensored, поэтому описание составлено по ней. Heartsync/NSFW-Uncensored — модель генерации изображений по текстовому описанию, распространяемая в форматах Diffusers и Safetensors. В карточке она представлена как площадка для экспериментов с генерацией изображений и ограничениями цензуры; метаданные указывают на использование StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам и проверки возможностей генерации при разных формулировках. Карточка не сообщает размер модели, длину контекста или конкретные рекомендации по настройке. Модель помечена как NSFW и не предназначена для всех аудиторий. Лицензия — MIT.

Это экспериментальная версия Stable Diffusion 1.5 от nousr: в ней заменён исходный VAE на MSE VAE. Модель предназначена для генерации изображений по текстовому описанию и для экспериментов со сменой декодера в Stable Diffusion. Автор отмечает, что различия в результатах могут быть минимальными и что замена весов декодера, возможно, выполнена некорректно. Репозиторий распространяется в форматах Diffusers и PyTorch; для использования требуется принять лицензию CreativeML Open RAIL-M.

John6666/spicy-realism-nsfw-mix-v30-sdxl — модель преобразования текста в изображение на базе Stable Diffusion XL, предназначенная для генерации реалистичных и фотореалистичных изображений по текстовым описаниям. Модель опубликована пользователем John6666; в README указано, что исходная модель создана ohmyvyom и размещена на Civitai. Модель работает через библиотеку Diffusers с конвейером StableDiffusionXLPipeline и ориентирована на высокую реалистичность, соблюдение текстовых промптов и создание контента для взрослой аудитории. Основным языком текстовых запросов заявлен английский. Модель распространяется по лицензии FAIR AI Public License 1.0 for Stable Diffusion (FAIPL-1.0-SD), обозначенной в карточке как other. Следует учитывать ограничения лицензии и требования к безопасному и законному использованию сгенерированных изображений.

Chest-Xray-Fine-Tuning — модель генерации изображений на основе Stable Diffusion, опубликованная danyalmalik и обученная методом DreamBooth на датасете ChestX-ray14. В README указано, что для обучения использовалась выборка из 1 000 изображений; модель предназначена для генерации изображений рентгенограмм грудной клетки по текстовому запросу и проверки этого визуального концепта через интерфейс A1111. Репозиторий содержит веса в форматах Diffusers и PyTorch, а задача в метаданных обозначена как text-to-image. Лицензия — CreativeML OpenRAIL-M. Карточка не описывает качество генерации, медицинскую точность или пригодность результатов для диагностики; поскольку обучение проводилось на небольшой выборке, разнообразие и достоверность изображений могут быть ограничены.

tiny-stable-diffusion-torch — компактная модель Stable Diffusion в формате Diffusers/PyTorch для генерации изображений по текстовому описанию. В карточке приведён пример загрузки через StableDiffusionPipeline из библиотеки Diffusers. Модель подходит для демонстраций и простых экспериментов с текстовой генерацией изображений. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает о языках, размере, длине контекста или специальных ограничениях качества.

uiicon — модель генерации изображений по текстовому описанию, обученная пользователем kanik155 методом DreamBooth на базе v2-1-768. Она предназначена для создания изображений с концепцией uiicon: автор рекомендует добавлять это слово в запрос. Модель распространяется в формате Diffusers/PyTorch и использует лицензию CreativeML OpenRAIL-M. В карточке представлены примеры изображений, однако подробности об обучающих данных и ограничениях генерации не приводятся.

vxpILBaseNSFW_v10 — модель генерации изображений по текстовому описанию от пользователя Hugging Face martineux. Репозиторий содержит пайплайн StableDiffusionXLPipeline в формате Diffusers с весами Safetensors; карточка показывает пример генерации изображения из текстового запроса. Название указывает на ориентацию модели на NSFW-контент, однако карточка не описывает её специальные стили, обучающие данные или качество генерации. Для запуска предусмотрена библиотека Diffusers. Лицензия и явные ограничения применения в доступной карточке не указаны.

jialicheng/cifar100_resnet-50 — модель классификации изображений, дообученная автором на датасете CIFAR-100 на основе microsoft/resnet-50. Она использует сверточную архитектуру ResNet-50 и предназначена для отнесения изображений к классам CIFAR-100. Модель принимает изображения и выдаёт результаты классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не содержит сведений о точности, обучении и ограничениях применения.

Модель Jayanth2002/dinov2-base-finetuned-SkinDisease — дообученный вариант визуального трансформера facebook/dinov2-base на пользовательском наборе данных. Она предназначена для классификации изображений, связанной с заболеваниями кожи. Архитектура DINOv2/ViT обрабатывает изображение как последовательность патчей и формирует визуальные признаки; число параметров — 113,2 млн. В README приведены результаты на оценочном наборе: точность 0,9557 и loss 0,1321. При этом в карточке также сказано, что модель не включает дообученную классификационную голову, поэтому её готовность к прямому предсказанию классов заболеваний по изображению неясна. Обучение проводилось на пользовательском наборе данных, а его состав и перечень классов не описаны. Лицензия — Apache-2.0.

Модель sd-dreambooth-library/disco-diffusion-style создана автором whonoidontkno: это Stable Diffusion, дообученная методом DreamBooth на концепции художественного стиля Disco Diffusion. Для генерации изображений используйте в текстовом запросе фразу «a photo of ddfusion style». Модель предназначена для создания изображений по текстовым описаниям в стиле Disco Diffusion и распространяется в форматах Diffusers и PyTorch. Лицензия — MIT. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не указаны.

Idan/fga-vqa — модель визуальных вопросов и ответов на основе Factor Graph Attention, разработанная Иданом Селой. Она совместно обрабатывает вопрос и признаки изображения и выбирает ответ из словаря на 3000 вариантов. Модель предназначена для открытого VQA на изображениях COCO и принимает текст вопроса вместе с визуальными региональными признаками; по README, оценка на COCO val2014 составила 61,55 по метрике VQA. Веса сохранены в формате safetensors и доступны через Transformers. Репозиторий описывает исследовательскую реализацию метода из CVPR 2019. Для использования нужны токенизированный вопрос и заранее извлечённые признаки изображения; модель не принимает исходное изображение непосредственно через показанный интерфейс. Лицензия — MIT. README отмечает, что вариант с множественным выбором из того же репозитория имеет неисправность, но это замечание относится к отдельной неопубликованной модели, а не к данному чекпойнту.

YOLO26m — детектор объектов Ultralytics, дообученный автором репозитория на Global Wheat Head Dataset в рамках DetectionBench. Модель предназначена для поиска и локализации колосьев пшеницы на полевых изображениях; она выделяет объекты класса wheat_head и подходит для анализа плотных скоплений колосьев в задачах точного земледелия. На тестовой части GWHD опубликованы mAP@50 71,58%, mAP@50–95 33,48% и precision 79,94%. Датасет содержит изображения из разных стран и учреждений, а результаты по странам различаются, поэтому агрегированная оценка не гарантирует такую же точность в новых условиях съёмки. Модель основана на Ultralytics/YOLO26 и распространяется по лицензии AGPL-3.0.

interiordesignsuperm — модель Stable Diffusion от StableDiffusionAPI, предназначенная для генерации изображений по текстовому описанию. В карточке приведён пример API-запроса с настройками генерации и примером фотореалистичного промпта; название модели указывает на применение в дизайне интерьеров, однако подробности о специализированных возможностях в README не описаны. Модель доступна в формате Diffusers/PyTorch и опубликована под лицензией CreativeML OpenRAIL-M. Для работы через описанный API нужен ключ ModelsLab.

Это политика размещения последовательных визуальных «взглядов» на изображении, обученная CanViT-PyTorch-RL для семантической сегментации ADE20K. Она оценивает кандидатов на дискретной сетке точек и двух масштабов и выдаёт логиты политики; при развёртывании сначала используется полный обзор сцены, затем выбирается кандидат с максимальной оценкой. Обучение выполнено методом policy gradient с вознаграждением на основе fractional-CE; указан чекпойнт шага 7000, seed 3 из серии из восьми запусков. Модель использует замороженный backbone CanViT-B/16 с предварительным обучением на ImageNet-21K и разрешённую для сетки canvas 64 конфигурацию. Валидационные показатели на ADE20K для шагов t0–t2: cross-entropy 0,7649, 0,7142 и 0,6891; mIoU 39,60%, 42,76% и 43,91% соответственно. Репозиторий содержит веса safetensors и распространяется по лицензии MIT. Политика предназначена для заданного протокола последовательных визуальных наблюдений; результаты и ограничения за пределами этого сценария в карточке не описаны.

Модель Tune-A-Video-library/a-man-is-surfing — экспериментальный чекпойнт на базе CompVis/stable-diffusion-v1-4, подготовленный проектом Tune-A-Video для генерации видео по текстовому описанию сцены с серфингом. В карточке указан обучающий запрос «A man is surfing» и тестовый запрос «A panda is surfing»; модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Базовая архитектура Stable Diffusion — латентная диффузионная модель, изначально предназначенная для создания изображений по тексту. Материалы карточки связывают чекпойнт с подходом Tune-A-Video для настройки модели на одном видео и генерации видео; однако метаданные указывают задачу text-to-image, и примеров фактического вывода видео в README нет. Языковые сведения о конкретном чекпойнте не приведены; базовая модель преимущественно рассчитана на английские запросы.

Модель chenweiwu — версия Stable Diffusion, дообученная методом DreamBooth для генерации изображений с концептом house-emblem. Для вызова концепта используйте в текстовом запросе фразу «a photo of sks house-emblem». Модель распространяется в форматах Diffusers и PyTorch и предназначена для генерации изображений по текстовому описанию. Лицензия — CreativeML OpenRAIL-M.

LVM — модель предварительного обучения для работы с визуальными данными, реализующая подход из статьи CVPR 2024 «Sequential Modeling Enables Scalable Learning for Large Vision Models». Она преобразует изображения и другие виды визуальных данных в последовательности визуальных токенов и обучается предсказывать следующий токен авторегрессионно. Модель основана на OpenLLaMA, а OpenMuse на базе VQGAN преобразует изображения в визуальные токены. В карточке репозитория указаны архитектура LlamaForCausalLM, 6,5 млрд параметров, контекст 4096 токенов и формат safetensors; поддерживается запуск на GPU и TPU. Модель предназначена для визуального предобучения и экспериментов с последовательным моделированием изображений. README отмечает улучшенную версию токенизатора и фильтрацию обучающего набора LAION. Лицензия — Apache 2.0.

Qwen2.5-VL-7B-Surg-CholecT50 — мультимодальная модель NVIDIA для распознавания хирургических действий на кадрах лапароскопической холецистэктомии. Это дообученная версия Qwen2.5-VL-7B с архитектурой Qwen2.5-VL и примерно 7,1 млрд параметров. Модель принимает RGB-изображение эндоскопического кадра и, опционально, текстовый запрос; заявленный контекст в метаданных — до 128 000 токенов. Модель предназначена для исследовательского анализа хирургического процесса: она описывает инструменты, действия и анатомические цели по отдельным кадрам. Обучение проводилось на CholecT50, содержащем кадры операций холецистэктомии. На отдельном наборе оценки указаны F1-значения 0,81 для инструментов, 0,64 для действий и 0,60 для анатомических целей. Ответ модели — текстовое описание; по умолчанию она не выдаёт рамки объектов или карты сегментации. Качество распознавания действий и анатомических целей ниже, чем инструментов, поэтому результаты требуют проверки и адаптации под конкретные данные. NVIDIA позиционирует модель для исследований и разработки, а не как автономную систему клинических решений. Лицензия указана как other; конкретные условия следует проверить в документах репозитория.

merve/rfdetr-docvqa-qwen — дообученная модель Roboflow/rf-detr-base для обнаружения объектов на изображениях. Несмотря на название, README и метаданные описывают задачу object detection; подтверждений работы с вопросами и ответами по документам или использования Qwen нет. Модель построена на архитектуре RF-DETR и распространяется в формате safetensors по лицензии Apache-2.0. В README приведены результаты оценки, включая mAP 0,0368 и показатели для изображений и таблиц; значения для диаграмм и графиков равны нулю. Датасет обозначен как неизвестный, поэтому область применения обучения нельзя определить точнее. Эти результаты дают основание учитывать качество обнаружения объектов как ограничение при выборе модели.

BVRA/vit_large_patch16_384.ft_df20_384 — модель классификации изображений грибов из датасета Danish Fungi (DF20). Она основана на Vision Transformer с патчами 16×16 и принимает изображения размером 384×384 пикселя; в карточке указано 303,9 млн параметров. Модель предназначена для распознавания грибов по фотографиям и получения их классов. Модель разработана BVRA и распространяется под лицензией CC BY-NC 4.0, которая разрешает использование с указанием авторства, но не для коммерческих целей. Карточка также упоминает получение эмбеддингов изображений. Метаданные указывают задачу image-classification и формат PyTorch.

FreeFlow-S pretrain — компактная модель предобучения для реконструкции изображений, разработанная в проекте FreeFlow. Она принимает изображения и возвращает реконструированные патчи размером 8×8, случайно выбранную маску и целевые патчи. Число параметров — 26 755 264; веса сохранены в формате safetensors, для работы используется PyTorch. Модель предназначена для экспериментов с cross-view pretraining и реконструкцией изображений. Этот чекпойнт не оценивает оптический поток. Лицензия CC BY-NC-SA 4.0 разрешает использование на её условиях, включая атрибуцию, распространение производных материалов на той же лицензии и ограничения на коммерческое использование.

retro3d — модель генерации изображений, созданная abesmon методом DreamBooth на базе Stable Diffusion v2.1 с разрешением 512 пикселей. Она предназначена для создания изображений по текстовым запросам с использованием изученного концепта; в промпте для него следует указывать ключевое слово trsldamrl. Модель распространяется в формате Diffusers/PyTorch и использует лицензию CreativeML Open RAIL-M.

seanjang990/shark_adult_parts_v21_25 — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем seanjang990. Модель предназначена для использования с Diffusers и базовой моделью Tongyi-MAI/Z-Image-Turbo. В карточке она классифицирована как text-to-image и diffusion-lora; конкретное назначение адаптера, поддерживаемые языки, размер, контекст и дополнительные модальности не указаны. Модель может применяться как дополнительный обученный компонент поверх базовой модели Z-Image-Turbo, однако README не содержит сведений о рекомендуемых параметрах, примерах промптов или измерениях качества. Лицензия и условия использования также не указаны, поэтому их необходимо уточнить по метаданным репозитория и лицензии базовой модели. Данных недостаточно, чтобы надежно описать сильные стороны, ограничения и точную визуальную специализацию адаптера.

wy8edhuh/flux2-klein-9b-uncensored-text-encoder-Q6_K-GGUF — это текстовый энкодер для экосистемы FLUX.2 Klein, подготовленный в формате GGUF. Модель создана конвертацией исходной модели ponpoke/flux2-klein-9b-uncensored-text-encoder с использованием llama.cpp и GGUF-my-repo; в лицензии указана связь с FLUX.2 Klein от Black Forest Labs. По назначению она ориентирована прежде всего на обработку текстовых запросов в сценариях text-to-image, а также может запускаться как текстовая модель через инструменты llama.cpp. Модель имеет размер 9B параметров согласно идентификатору, использует квантизацию Q6_K и поддерживает английский и японский языки. README не содержит подробностей об архитектуре, точном размере контекста, требованиях к памяти или качестве генерации. Для llama.cpp приведён пример запуска с контекстом 2048 токенов, однако это не подтверждает максимальную длину контекста модели. К сильным сторонам относятся совместимость с llama.cpp, компактный квантизированный формат GGUF и отсутствие встроенной фильтрации безопасности, что расширяет допустимый диапазон генерируемого контента, включая общий NSFW-контент. Ограничения связаны с отсутствием фильтрации и необходимостью соблюдать применимое законодательство и ответственное использование. Модель распространяется по лицензии flux-non-commercial-v2.1; коммерческое использование README не разрешает.

rgbylr — модель генерации изображений по текстовому описанию, созданная пользователем rq0 методом DreamBooth на базе Stable Diffusion v2-768. Для генерации через diffusers в карточке рекомендуются промпты с триггером «rgbylr». Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка содержит примеры изображений, но не описывает их содержание, поэтому назначение обученного концепта и его ограничения определить нельзя.

Verboa Image 1.0 — модель генерации изображений от verboa.io для взрослой аудитории. Это полноразмерное дообучение ERNIE-Image с переносом возможностей быстрого семплирования ERNIE-Image-Turbo; архитектура — одно-поточный диффузионный трансформер DiT примерно на 8 млрд параметров. Модель создаёт фотореалистичные изображения по текстовым запросам и рассчитана прежде всего на откровенный контент для взрослых. Для генерации указаны 8 шагов при guidance 2. Карточка приводит английский язык; лицензия обозначена как other, а конкретные ограничения использования заданы её условиями. Модель ориентирована на запросы, написанные естественным языком, от кратких до подробных. Среди ограничений — меньшая надёжность мужской анатомии, возможное отклонение от описаний сцен с несколькими людьми, несовершенная передача текста, рук и количества объектов, а также склонность к фотореализму вместо разнообразных рисованных стилей. Для точности лучше описывать сцену подробно; разрешение обучения составляет около 1 мегапикселя, поэтому для крупных изображений может потребоваться дополнительная обработка. Защитная настройка снижает вероятность изображения несовершеннолетних, но не исключает её полностью.