/ Профессии
Универсальные способности и операции

I.8Изображения и компьютерное зрение

В разделе собраны самостоятельные задачи, где AI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы. Для каждого пункта отдельно указаны механизм, входы, результат и способ проверки.

ЗрениеТекст
AI-задач
17
в этой профессии
Подходящих моделей
6 331
по типу задач и модальности
Категория
I. Универсальные способности
Основные типы
ЗрениеТекст

Рекомендованные модели

6 331 модель
Загрузки
Лайки
Дата выхода
1 381–1 410 из 6 331
Shaq2
chashibhai-potato-disease-cls

ChashiBhAI Potato Disease Classifier v2 — модель классификации изображений на базе YOLO26-cls, подготовленная разработчиком ChashiBhAI и сохранённая в формате TFLite с точностью FP16. Она принимает изображение листа картофеля размером 640 × 640 пикселей после центрального кадрирования и выдаёт оценки вероятности для трёх классов: ранняя фитофторозная пятнистость (Early Blight), здоровый лист и поздняя фитофторозная пятнистость (Late Blight). Модель предназначена для распознавания этих заболеваний на изображениях, в том числе при запуске на устройстве. Репозиторий указывает Ultralytics как используемую библиотеку, а метаданные — лицензию MIT. Карточка не приводит результатов оценки качества или сведений о данных обучения, поэтому качество распознавания в конкретных условиях по ней оценить нельзя.

240авг. 2026
imagemithugging-face
yz1iuuw
first-diffusion-model

Это диффузионная модель, созданная как первая учебная работа в рамках курса Diffusion Models Class. Она предназначена для безусловной генерации изображений: модель создаёт изображение без текстового описания на входе. В карточке приведён пример запуска через библиотеку Diffusers и конвейер DDPMPipeline. Модель описана как генератор милых изображений, однако другие сведения о размере, обучающих данных и поддерживаемых языках не приводятся. Репозиторий содержит модель в формате Diffusers с весами Safetensors. Лицензия — MIT.

100авг. 2026
imagemithugging-face
donglab
sd-class-butterflies-32

Модель donglab/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Она создана как учебная работа для первого блока курса по диффузионным моделям и запускается через DDPMPipeline из библиотеки Diffusers; модель создаёт изображение без текстового запроса. Модель подходит для генерации стилизованных изображений бабочек и демонстрации безусловной генерации изображений. Весы доступны в формате Diffusers и Safetensors. Лицензия — MIT.

40июль 2026
imagemithugging-face
Jethr
sd-class-butterflies-32

Jethr/sd-class-butterflies-32 — диффузионная модель, созданная в рамках курса по диффузионным моделям. Она генерирует изображения бабочек без текстового запроса; для запуска в README показан DDPMPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель предназначена для создания изображений бабочек и учебных экспериментов с безусловной генерацией изображений. Размер модели, разрешение изображений и языковая поддержка не указаны.

680сент. 2026
imagemithugging-face
Isafuttin
SNOFS

SNOFS — это адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией Isafuttin. Модель предназначена для использования с базовой моделью black-forest-labs/FLUX.1-dev и интеграцией через Diffusers. Судя по названию и тегам, адаптер ориентирован на создание откровенного контента, включая обнажённые изображения и другие материалы для взрослых. В карточке не указаны размер адаптера, архитектурные детали сверх формата LoRA, поддерживаемые языки, максимальный контекст, требования к ресурсам или конкретные параметры применения. Лицензия — Apache-2.0, однако при использовании необходимо также учитывать условия лицензии базовой модели FLUX.1-dev и применимые ограничения на генерацию и распространение контента для взрослых.

1.8K0май 2026
textimageapache-2.0hugging-face
Bigfawg6669
create-nsfw

Bigfawg6669/create-nsfw — это LoRA-расширение FLUX Uncensored LoRA v2, разработанное командой EnhanceAI для базовой модели black-forest-labs/FLUX.1-dev. Оно предназначено для генерации изображений по текстовым описаниям, включая материалы для взрослых и другой контент без стандартных ограничений базовой модели. Расширение подключается к пайплайну FLUX через библиотеку diffusers. Модель представляет собой облегчённые LoRA-веса в файле lora.safetensors. Заявлены улучшенная производительность, более быстрая генерация, исправления стабильности и уменьшенный размер по сравнению с предыдущей версией. В README не указаны точный размер весов, количество параметров, поддерживаемые языки и максимальная длина контекста. Для оптимальной работы рекомендуется CUDA-совместимый GPU и тип данных torch.bfloat16. Сильной стороной модели является специализация на генерации откровенных изображений и возможность адаптировать FLUX.1-dev без замены базовой модели. Ограничения связаны с необходимостью использования совместимого пайплайна, вычислительных ресурсов и соблюдения законодательства, этических норм и правил площадки; модель не должна применяться для незаконного или вредоносного контента. Расширение распространяется на условиях FLUX-1-dev Non-Commercial License, поэтому коммерческое использование не допускается.

4.7K13апр. 2026
textimagecreativeml-openrai…hugging-face
Meina
MeinaHentai

MeinaHentai — модель генерации изображений из текста из семейства Meina, созданная автором семейства. Она предназначена для создания аниме-изображений с откровенным контентом, включая hentai, по текстовым запросам. Модель распространяется для библиотеки Diffusers в формате safetensors; в карточке указана лицензия CreativeML OpenRAIL-M. Веса включают VAE. Автор рекомендует сэмплер Euler a, 24 шага и разрешения 512×768 или 768×512; для более реалистичного вида предлагается добавить соответствующие слова в запрос. Модель ориентирована на генерацию взрослого контента, поэтому не подходит для всех аудиторий. Результат зависит от формулировки запроса и настроек генерации; конкретные ограничения качества и условия лицензии следует сверять с лицензией CreativeML OpenRAIL-M.

1.6K21апр. 2023
textimagecreativeml-openrai…hugging-face
Keltezaa
NSFW_MASTER_FLUX

NSFW MASTER FLUX — модель LoRA для генерации изображений по текстовому описанию, разработанная пользователем или организацией Keltezaa. Она предназначена для создания откровенных изображений взрослых персонажей в рамках сценариев text-to-image и используется совместно с базовой моделью black-forest-labs/FLUX.1-dev через инструменты Diffusers. Для активации модели в запросах рекомендуется использовать триггерные слова NSFW, Pussy, Vagina и Nude. В README не указаны размер адаптера, архитектурные параметры LoRA, поддерживаемые языки, размер контекста или дополнительные модальности. Модель поставляется в формате Safetensors и ориентирована на фотореалистичные или высококачественные изображения, однако количественные данные о качестве и ограничения по содержанию не приведены. Лицензия указана как MIT. При этом README не содержит подробностей о требованиях или ограничениях базовой модели FLUX.1-dev, поэтому условия распространения и коммерческого использования следует проверять также для неё.

1.3K66нояб. 2024
textimagemithugging-face
Diamond1400
qwen-image-edit-plus-nsfw-lora

MCNL v1 — Multi Concept NSFW LoRA — это адаптер LoRA для диффузионного пайплайна Qwen/Qwen-Image-Edit-2511, разработанный и опубликованный ScottzillaSystems. Он предназначен для генерации и редактирования изображений с контентом NSFW на основе исходного изображения и текстового запроса, включая активацию заданных в README концепций и сцен. Адаптер использует архитектуру QwenImageTransformer2DModel (MMDiT) и распространяется в формате safetensors. Размер файла составляет около 563 МБ. Модель рассчитана на работу с пайплайном QwenImageEditPlusPipeline и поддерживает сценарии image-to-image; сведения о количестве параметров, языках, максимальном контексте и дополнительных модальностях не указаны. Для активации возможностей применяются специальные триггерные слова, включая nsfw и названия отдельных концепций. К сильным сторонам относятся специализация на редактировании и генерации NSFW-контента, совместимость с базовой моделью Qwen-Image-Edit-2511 и возможность подключения как отдельного LoRA-адаптера. Ограничения включают зависимость от базовой модели и совместимого окружения Diffusers, а также отсутствие в README подробных данных о качестве, безопасности, поддерживаемых языках и системных требованиях. Лицензия указана как OpenRAIL++.

3772авг. 2026
textimageopenrail++hugging-face
stablediffusionapi
real-amateur-nudes

Real Amateur Nudes — модель Stable Diffusion, опубликованная stablediffusionapi, для генерации изображений по текстовому описанию через API ModelsLab. Она рассчитана на создание фотореалистичных изображений с обнажённой натурой; в примере карточки указаны генерация 512 × 512, 30 шагов и настройка negative prompt. Модель работает с текстовым запросом и выдаёт изображение. Для доступа README предлагает использовать API-ключ ModelsLab; в карточке также указан формат Diffusers/PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. README не сообщает базовую модель, размер весов, контекст или поддерживаемые языки.

6420дек. 2023
textimagecreativeml-openrai…hugging-face
mounirabubadr
sd-class-butterflies-32

Это диффузионная модель из учебного курса Diffusion Models Class, опубликованная пользователем mounirabubadr. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска в README показан DDPMPipeline из библиотеки Diffusers; веса опубликованы в формате Safetensors. Модель подходит для экспериментов с генерацией небольших изображений бабочек и для изучения диффузионных моделей. В карточке указана лицензия MIT. Размер изображений и языковые возможности в доступных данных не описаны.

880сент. 2026
imagemithugging-face
parkeychen
sd-class-butterflies-32

Это диффузионная модель из учебного курса Diffusion Models Class, обученная генерировать изображения милых бабочек без текстового запроса. Её можно использовать через DDPMPipeline из библиотеки Diffusers: модель создаёт изображение по случайному шуму. Модель предназначена для экспериментов и демонстраций безусловной генерации изображений. Репозиторий распространяет веса в формате Diffusers и safetensors. Лицензия — MIT. Размер модели, разрешение изображений и языковые характеристики не описаны.

140июль 2026
imagemithugging-face
sophiewise
sd-class-butterflies-32

Модель sophiewise/sd-class-butterflies-32 — диффузионная модель безусловной генерации изображений, созданная как часть учебного курса Diffusion Models Class. Она предназначена для создания изображений милых бабочек без текстового запроса; карточка показывает запуск через DDPMPipeline из библиотеки Diffusers. Модель распространяется в формате Diffusers с весами safetensors по лицензии MIT. Размер модели, разрешение изображений и поддерживаемые языки не указаны. Карточка описывает учебное назначение, но не сообщает об оценке качества или ограничениях генерации.

890сент. 2026
imagemithugging-face
Throng2351
sd-class-butterflies-32-Throng2351

Throng2351/sd-class-butterflies-32-Throng2351 — диффузионная модель, созданная в рамках учебного курса по диффузионным моделям. Она генерирует изображения бабочек без текстового условия; в README приведён пример запуска через DDPMPipeline из библиотеки Diffusers. Модель предназначена для демонстрации безусловной генерации изображений и учебных экспериментов. Репозиторий содержит веса в формате Safetensors для Diffusers. Лицензия — MIT. Карточка не сообщает размер модели, разрешение генерируемых изображений или специальные ограничения по применению.

650сент. 2026
imagemithugging-face
lynnnaive16
diffuser-class-butterflies-32

Модель lynnnaive16/diffuser-class-butterflies-32 разработана как учебный проект для первого модуля курса по диффузионным моделям. Это безусловная диффузионная модель на базе DDPMPipeline из библиотеки Diffusers, предназначенная для генерации изображений милых бабочек. Для запуска используется готовый конвейер Diffusers, который создаёт изображение без текстового запроса. Модель распространяется по лицензии MIT.

600сент. 2026
imagemithugging-face
Muapi
fanvue-onlyfans-ai-model-woman033-nsfw-photorealistic-character-lora-sdxl-sd1.5

Muapi Woman033 — LoRA-адаптер для генерации фотореалистичных женских персонажей в контексте NSFW-контента. Модель разработана Muapi и предназначена для использования с text-to-image-пайплайном Stable Diffusion; в README в качестве базовой модели указана stabilityai/stable-diffusion-xl-base-1.0 (SDXL 1.0). Обучающее слово модели — woman033. Адаптер ориентирован на создание изображений персонажа с помощью текстовых подсказок и поддерживает разрешение 1024×1024 в приведённом примере использования. В названии также упоминается совместимость с SD1.5, однако README не содержит подробностей о соответствующей версии или подтверждения её технических характеристик. Модель рассчитана на сценарии генерации изображений для платформ Fanvue и OnlyFans, включая NSFW-содержимое. Ограничения, результаты сравнительных оценок, точный размер LoRA, языки подсказок и дополнительные модальности не указаны. Лицензия — OpenRAIL++.

2.1K2июнь 2026
textimageopenrail++hugging-face
andro-flock
Hassaku_SD1-5_v1-3

Hassaku_SD1-5_v1-3 — производная модель генерации изображений на основе Stable Diffusion 1.5, опубликованная andro-flock. Автор описывает её как небольшое обновление с дообучением на 150 изображениях орального секса и последующим слиянием с Hassaku и небольшой долей Koji. Модель предназначена для генерации изображений по текстовым запросам. Изменения ориентированы на изображения с обнажённой натурой и сексуальными сценами: автор отмечает улучшения в анатомии рук, деталях одежды и фоне, а также в следовании некоторым откровенным запросам. Репозиторий использует Diffusers и формат safetensors; лицензия — CreativeML OpenRAIL-M. Результаты изменений непостоянны: автор сообщает, что отдельные эффекты могут не проявляться или ухудшать результат, а одежда иногда получается более свободной и с лишними прорезями или шнурами. Описание не даёт данных о размере модели и длине контекста.

2712май 2025
textimagecreativeml-openrai…hugging-face
Keltezaa
MysticV3

MysticV3 — LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем или организацией Keltezaa на базе black-forest-labs/FLUX.1-dev. Модель предназначена для создания NSFW-изображений с использованием FLUX и Diffusers. Модель распространяется в формате Safetensors и подключается к базовой модели FLUX.1-dev. В README не указаны точный размер весов, архитектурные детали LoRA, поддерживаемые языки и максимальный размер контекста. Для запуска рекомендованы strength 1 с возможной корректировкой, sampling method DPMPP_2M, scheduler BETA, CFG scale 4 и 35 шагов генерации. К сильным сторонам относятся специализация на эротическом контенте и совместимость с рабочими процессами FLUX; примеры изображений могут содержать встроенный workflow в PNG. Автор предупреждает о возможных артефактах, включая монструозные формы, отсоединённые части тела и другие визуальные искажения, поэтому может потребоваться смена seed или корректировка промпта. Лицензия — CC BY-NC-ND 4.0, допускающая использование с ограничениями, включая запрет коммерческого использования и производных работ.

1.9K1апр. 2025
textimagecc-by-nc-nd-4.0hugging-face
thutes-gbr25
NSFW-MASTER-Z-IMAGE-TURBO

NSFW-MASTER-Z-IMAGE-TURBO — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией thutes-gbr25. Модель предназначена для использования с базовой моделью Tongyi-MAI/Z-Image-Turbo в задачах text-to-image через экосистему Diffusers. Адаптер ориентирован на создание контента для взрослых и заявлен как универсальное дополнение для соответствующих сценариев генерации. Рекомендуемый вес подключения составляет 0,8. В README также упоминается наличие небольших проблем, которые автор планирует исправить в будущих обновлениях, поэтому результаты могут быть нестабильными и требуют подбора параметров. Модель распространяется как LoRA-адаптер; точный размер, архитектурные детали, поддерживаемые языки, максимальный контекст и набор модальностей в описании не указаны. Лицензия обозначена как unknown, поэтому условия использования необходимо уточнять отдельно.

14K20февр. 2026
textimageunknownhugging-face
ScottzillaSystems
qwen-image-edit-plus-nsfw-lora

MCNL v1 — Multi Concept NSFW LoRA — это адаптер LoRA для диффузионного пайплайна Qwen/Qwen-Image-Edit-2511, разработанный ScottzillaSystems. Модель предназначена для редактирования изображений и генерации контента для взрослых на основе исходного изображения и текстового запроса. Адаптер использует архитектуру QwenImageTransformer2DModel (MMDiT) LoRA, распространяется в формате safetensors и занимает около 563 МБ. Он подключается к Qwen-Image-Edit-2511 через QwenImageEditPlusPipeline. В README не указаны поддерживаемые языки, максимальный размер контекста или точный объём обучающих данных. Для активации отдельных возможностей предусмотрены специальные триггерные слова, включая nsfw и термины, описывающие обнажённость и сексуальные сцены. Сильная сторона модели — специализация базового редактора изображений на NSFW-сценариях и поддержка программного использования через diffusers, а также готового интерфейса ScottzillaSystems Image Editor. Ограничения включают зависимость от базовой модели Qwen-Image-Edit-2511 и необходимость корректно подбирать параметры инференса и промпты; качество результата может зависеть от исходного изображения. Модель распространяется по лицензии OpenRAIL++, однако README не содержит дополнительных разъяснений об ограничениях конкретного применения.

237K544март 2026
textimageopenrail++hugging-face
andrei-teodor
resnet-pretrained-brain-mri

Модель andrei-teodor/resnet-pretrained-brain-mri — дообученная для классификации снимков МРТ головного мозга сверточная ResNet-50 на базе microsoft/resnet-50. Она предназначена для отнесения изображений к классам датасета BrainMRI. В репозитории указана точность 0,5228 на оценочной выборке и значение функции потерь 1,1450. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает состав классов и ограничения применения, поэтому результаты следует интерпретировать с учётом этого пробела; приведённая метрика сама по себе не подтверждает пригодность для клинической диагностики.

540авг. 2024
imageapache-2.0hugging-face
Winnougan
Ideogram_Instant_NSFW

Winnougan/Ideogram_Instant_NSFW — дообученный чекпойнт для генерации изображений по тексту на базе Ideogram 4 FP8 от Ideogram AI, связанный в карточке с быстрым вариантом fal/ideogram-v4-fast. Модель ориентирована на создание изображений во взрослом NSFW-стиле. Для локального запуска через Diffusers README требует передавать структурированное описание в формате JSON, совместимом с Ideogram 4: естественный язык автоматически в такой формат не преобразуется. В метаданных указан формат весов safetensors и библиотека Diffusers. Чекпойнт обозначен как производный fine-tune; подробности о данных и методе дообучения в карточке не заполнены. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии и уведомлениями в репозитории.

2.8K27июль 2026
textimageotherhugging-face
Gthalmie1
moody-porn-mix-v10-dpo-gguf

Gthalmie1/moody-porn-mix-v10-dpo-gguf — это GGUF-квантизированная версия модели Moody Porn Mix, разработанной catlover1937 и опубликованной на Civitai. Модель предназначена для генерации изображений по текстовым описаниям и относится к категории text-to-image; по названию и источнику она ориентирована на создание контента для взрослых. В доступных данных указано, что модель работает с английским языком, использует библиотеку Diffusers и распространяется под лицензией Apache-2.0. Сведения об архитектуре, размере, точном формате квантизации, поддерживаемых модальностях помимо текста и изображений, длине контекста, требованиях к оборудованию, качестве и ограничениях генерации отсутствуют, поэтому оценить её сильные стороны и технические ограничения по этому README невозможно.

1.1K16март 2026
textimageapache-2.0hugging-face
Papai25
nsfwMarrier

Papai25/nsfwMarrier — LoRA-расширение для генеративной модели изображений FLUX.1-dev, разработанное командой EnhanceAI. Оно предназначено для интеграции с pipeline библиотеки diffusers и генерации изображений по текстовым запросам, включая материалы для взрослых и другой контент без стандартных ограничений базовой модели. Модель использует архитектуру LoRA поверх black-forest-labs/FLUX.1-dev. Указаны файл весов lora.safetensors, поддержка запуска с типом данных torch.bfloat16 и рекомендация использовать CUDA-совместимый GPU. В README не приведены точные сведения о количестве параметров, поддерживаемых языках, максимальной длине контекста или характеристиках исходного изображения; при этом заявлены улучшенная производительность, исправления стабильности и уменьшенный размер весов по сравнению с предыдущей версией. Сильной стороной расширения является специализация на создании высококачественных изображений для взрослых и более гибкая генерация по сравнению с ограниченной базовой моделью. Ограничения связаны с зависимостью от FLUX.1-dev и вычислительных ресурсов, а также с рисками незаконного или неэтичного применения; использование должно соответствовать законодательству и правилам платформ. Распространение осуществляется на условиях FLUX-1-dev Non-Commercial License, то есть коммерческое использование не допускается.

4044июль 2026
textimagecreativeml-openrai…hugging-face
Jonjew
NSFWMaster

NSFW Master — это LoRA-адаптер для генерации изображений по текстовому описанию на базе black-forest-labs/FLUX.1-dev. Модель опубликована пользователем Jonjew; в описании также указано, что она происходит из Civitai. Для запуска используются веса в формате Safetensors. Адаптер предназначен для сценариев text-to-image, связанных с генерацией изображений для взрослой аудитории. Для активации модели рекомендуется использовать триггерное слово NSFW в текстовом запросе. Доступная карточка не содержит сведений о размере адаптера, точной архитектуре базовой модели, поддерживаемых языках, максимальной длине контекста или конкретных характеристиках качества. К сильным сторонам относятся специализация на контенте для взрослых и совместимость с экосистемой Diffusers и базовой моделью FLUX.1-dev. Ограничения включают зависимость от этой базовой модели и отсутствие подробных данных о результатах, параметрах генерации и требованиях к ресурсам. Лицензия указана как неизвестная, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

1.2K25янв. 2025
textimageunknownhugging-face
Diggy84002
qwen-image-edit-plus-nsfw-lora

MCNL v1 — это адаптер LoRA для диффузионного пайплайна Qwen/Qwen-Image-Edit-2511. Модель предназначена для генерации и редактирования изображений с содержанием для взрослых, расширяя возможности базовой модели в области NSFW-контента. В README адаптер связан с проектом ScottzillaSystems, однако отдельная информация о разработчиках, кроме названия проекта и ссылок на связанные ресурсы, не приведена. Адаптер использует архитектуру QwenImageTransformer2DModel на базе MMDiT LoRA, распространяется в формате safetensors и имеет размер около 563 МБ. Это image-to-image-модель: для работы предполагается исходное изображение и текстовый запрос. Поддерживаемые языки, максимальный размер контекста и точные требования к аппаратному обеспечению не указаны. Для активации заявленных концепций в README приведены специальные триггерные слова. Модель ориентирована на использование через ScottzillaSystems Image Editor Space или программно с библиотекой Diffusers и QwenImageEditPlusPipeline. В примере указаны вычисления на GPU, формат bfloat16, 40 шагов инференса и масштаб true CFG 4.0. Сильной стороной является целевая адаптация базовой модели для редактирования и генерации NSFW-изображений, однако область применения ограничена специализированным контентом, а качество и поведение зависят от базовой модели, исходного изображения, запроса и параметров инференса. Лицензия — OpenRAIL++.

3.4K1сент. 2026
textimageopenrail++hugging-face
starsfriday
Qwen-Image-NSFW

starsfriday/Qwen-Image-NSFW — это LoRA-адаптер для базовой модели Qwen/Qwen-Image, разработанный AI Laboratory компании Chongqing Valiant Cat Technology Co., LTD. Модель предназначена для генерации портретных изображений, преимущественно контента для взрослых, по текстовым описаниям. Адаптер используется с библиотекой Diffusers и совместимым workflow для ComfyUI. Для активации применяется триггерная фраза «rsq». В README указана поддержка английского языка; в примерах также используются запросы на китайском языке. Приведённый способ запуска использует разрешение 1024×1024, 50 шагов инференса и базовую модель Qwen-Image, однако эти параметры не следует считать обязательными для всех сценариев. Модель поставляется в формате Safetensors и предназначена для подключения к Qwen-Image через LoRA-веса. README не содержит подробных данных о размере адаптера, точном составе обучающей выборки, дополнительных модальностях, максимальном контексте, количественных результатах или ограничениях качества. Лицензия указана как Apache-2.0.

5.5K177авг. 2025
textimageapache-2.0hugging-face
bharatd5533
sd-class-butterflies-32

bharatd5533/sd-class-butterflies-32 — диффузионная модель, созданная как учебный проект для курса Diffusion Models Class. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска автор предлагает использовать DDPMPipeline из библиотеки Diffusers; веса доступны в форматах Diffusers и Safetensors. Модель распространяется по лицензии MIT. Модель ориентирована на эксперименты с генерацией изображений бабочек и изучение диффузионных моделей. Карточка не сообщает размер модели, разрешение выходных изображений или подробности обучающих данных. Она создаёт изображения и не предназначена для генерации по текстовому описанию.

640сент. 2026
imagemithugging-face
dogfish-thinker
sd-class-butterflies-32

dogfish-thinker/sd-class-butterflies-32 — диффузионная модель, созданная как Unit 1 для учебного курса Diffusion Models Class. Она генерирует изображения милых бабочек без текстового запроса; в карточке показан запуск через DDPMPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

160авг. 2026
imagemithugging-face
michaeljang
sd-class-butterflies-32

michaeljang/sd-class-butterflies-32 — диффузионная модель, созданная в рамках учебного курса по диффузионным моделям. Она генерирует изображения бабочек без текстового запроса; пример использования в карточке загружает модель через DDPMPipeline библиотеки Diffusers и создаёт изображение. Модель предназначена для учебных экспериментов и генерации изображений бабочек. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия — MIT.

930сент. 2026
imagemithugging-face

Задачи профессии

17 задач
122Обнаружение объектов и определение их координат. — AI локализует объекты на изображении или видеокадре и присваивает каждому класс, координаты рамки и оценку уверенности. Модель использует размеченные изображения и учитывает масштаб, перекрытия, освещение и фон. Результат — список объектов и визуальная разметка; качество проверяют по precision, recall и IoU на независимой выборке.
123Пиксельная сегментация объектов и областей. — Практическая реализация: AI извлекает признаки, относит каждый объект к подходящей категории или уровню приоритета и оценивает уверенность. Предметная логика: назначает класс каждому пикселю и уточняет границы соприкасающихся областей. Входной контекст включает изображения, разметка, текстовые инструкции, фотографии и видеокадры. Формат результата: результат «Пиксельная сегментация объектов и областей» в виде метки, класса, ранга или тематического слоя с уверенностью и объясняющими признаками. Ошибки выявляют по матрице ошибок, калибровке уверенности и отдельному анализу пограничных классов; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
124Отслеживание объектов между кадрами. — Механизм: AI поддерживает актуальное состояние объекта по потоковым данным и уведомляет при выходе показателей за допустимые границы. Предметная логика: учитывает временную согласованность между кадрами, движение камеры и непрерывность объектов. Исходные данные: видеоряд, текстовые инструкции, фотографии, видеокадры и медицинские или промышленные снимки. Формат результата: актуальное состояние в рамках «Отслеживание объектов между кадрами», временной журнал изменений и предупреждения при значимых отклонениях. Проверка: по задержке обнаружения, стабильности базовой линии и числу пропущенных либо ложных предупреждений; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
125Подсчёт объектов на изображении или видеопотоке. — AI выделяет сущности, числа и отношения, нормализует формат и формирует машиночитаемую запись. Предметная логика: учитывает временную согласованность между кадрами, движение камеры и непрерывность объектов. К исходным данным относятся видеоряд, фотографии, видеокадры, медицинские или промышленные снимки и разметка. Формат результата: структурированные данные, полученные в рамках «Подсчёт объектов на изображении или видеопотоке», с нормализованными значениями и ссылками на исходные фрагменты. Надёжность оценивают посимвольной или пополевой сверкой с оригиналом и проверкой обязательных полей; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
126Оценка позы и движения человека или животного. — Для этой задачи система собирает относящиеся к объекту показатели, приводит их к сопоставимому виду и рассчитывает оценку по явным критериям. Рабочие входы: видеокадры, медицинские или промышленные снимки, разметка и текстовые инструкции. Формат результата: оценка по задаче «Оценка позы и движения человека или животного» в числовой или категориальной форме с расшифровкой факторов, допущений и неопределённости. Критерии приёмки: сверкой с экспертными оценками или фактическими исходами, а также анализом чувствительности к входным данным; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
127Распознавание жестов и действий. — Практическая реализация: AI анализирует поток наблюдений и локализует признаки, которые отличают целевой объект или нарушение от обычного состояния. Входной контекст включает медицинские или промышленные снимки, разметка, текстовые инструкции и фотографии. Формат результата: перечень объектов, событий или отклонений, относящихся к «Распознавание жестов и действий», с локализацией, уверенностью и признаками срабатывания. Ошибки выявляют по полноте обнаружения, доле ложных срабатываний и качеству локализации на независимой выборке; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
128Оценка глубины, расстояний и геометрии сцены. — Механизм: AI сопоставляет наблюдаемое состояние с эталонами, нормативами или историческими аналогами и оценивает степень соответствия. Предметная логика: восстанавливает глубину, форму и топологию, затем согласует геометрию между ракурсами. Исходные данные: изображения с разных ракурсов, разметка, текстовые инструкции, фотографии и видеокадры. Формат результата: оценка по задаче «Оценка глубины, расстояний и геометрии сцены» в числовой или категориальной форме с расшифровкой факторов, допущений и неопределённости. Проверка: сверкой с экспертными оценками или фактическими исходами, а также анализом чувствительности к входным данным; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
129Построение трёхмерной модели по изображениям. — AI создаёт вычислительное представление объекта или процесса и проигрывает на нём альтернативные сценарии. Предметная логика: анализирует форму, текстуру, цвет и пространственные отношения, учитывая масштаб и качество изображения. К исходным данным относятся изображения, текстовые инструкции, фотографии, видеокадры и медицинские или промышленные снимки. Формат результата: вычислительная модель или карта для «Построение трёхмерной модели по изображениям» с результатами сценариев и анализом чувствительности. Надёжность оценивают сопоставлением с наблюдениями, тестами чувствительности и воспроизводимостью вычислений; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
130Измерение размеров, площади, объёма или деформации объекта. — Для этой задачи система объединяет количественные и качественные признаки, после чего формирует оценку и показывает вклад основных факторов. Предметная логика: учитывает расположение элементов, связь между страницами и документные правила, а не только распознанный текст. Рабочие входы: оригиналы документов, фотографии, видеокадры, медицинские или промышленные снимки и разметка. Формат результата: оценка по задаче «Измерение размеров, площади, объёма или деформации объекта» в числовой или категориальной форме с расшифровкой факторов, допущений и неопределённости. Критерии приёмки: сверкой с экспертными оценками или фактическими исходами, а также анализом чувствительности к входным данным; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
131Обнаружение визуальных дефектов, повреждений и загрязнений. — Практическая реализация: AI сочетает обученные шаблоны с контрольными правилами, чтобы находить значимые случаи и не пропускать пограничные примеры. Предметная логика: анализирует форму, текстуру, цвет и пространственные отношения, учитывая масштаб и качество изображения. Входной контекст включает изображения, видеокадры, медицинские или промышленные снимки, разметка и текстовые инструкции. Формат результата: перечень объектов, событий или отклонений, относящихся к «Обнаружение визуальных дефектов, повреждений и загрязнений», с локализацией, уверенностью и признаками срабатывания. Ошибки выявляют по полноте обнаружения, доле ложных срабатываний и качеству локализации на независимой выборке; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
132Выявление изменений между снимками разных дат. — Механизм: AI выделяет информативные признаки, сравнивает их с нормой и отмечает случаи, соответствующие искомому событию. Предметная логика: анализирует форму, текстуру, цвет и пространственные отношения, учитывая масштаб и качество изображения. Исходные данные: изображения, медицинские или промышленные снимки, разметка, текстовые инструкции и фотографии. Формат результата: перечень объектов, событий или отклонений, относящихся к «Выявление изменений между снимками разных дат», с локализацией, уверенностью и признаками срабатывания. Проверка: по полноте обнаружения, доле ложных срабатываний и качеству локализации на независимой выборке; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
133Восстановление повреждённого или недостающего фрагмента изображения. — AI сначала определяет элементы, которые должны сохраниться, затем перестраивает форму представления и отмечает внесённые изменения. Предметная логика: анализирует форму, текстуру, цвет и пространственные отношения, учитывая масштаб и качество изображения. К исходным данным относятся изображения, разметка, текстовые инструкции, фотографии и видеокадры. Формат результата: преобразованный материал по задаче «Восстановление повреждённого или недостающего фрагмента изображения» с сохранённым содержанием и журналом значимых изменений. Надёжность оценивают сравнением смысла и структуры до и после преобразования, а также поиском потерянных элементов; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
134Повышение разрешения, резкости и читаемости изображения. — Для этой задачи система сравнивает альтернативы по нескольким критериям и ищет устойчивый компромисс между качеством, стоимостью, временем и риском. Предметная логика: анализирует форму, текстуру, цвет и пространственные отношения, учитывая масштаб и качество изображения. Рабочие входы: изображения, текстовые инструкции, фотографии, видеокадры и медицинские или промышленные снимки. Формат результата: рекомендуемая конфигурация для «Повышение разрешения, резкости и читаемости изображения» с целевыми показателями, ограничениями и сравнением с исходным вариантом. Критерии приёмки: сравнением с базовым решением, проверкой всех ограничений и испытанием устойчивости при изменении условий; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
135Удаление фона, объектов, бликов, шума или артефактов. — Практическая реализация: AI преобразует исходный материал по заданным правилам, сохраняя смысл, структуру и критически важные детали. Входной контекст включает фотографии, видеокадры, медицинские или промышленные снимки и разметка. Формат результата: преобразованный материал по задаче «Удаление фона, объектов, бликов, шума или артефактов» с сохранённым содержанием и журналом значимых изменений. Ошибки выявляют сравнением смысла и структуры до и после преобразования, а также поиском потерянных элементов; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
136Коррекция цвета, освещения, перспективы и композиции. — Механизм: AI поддерживает процесс в допустимом диапазоне, выбирая безопасные действия с учётом инерции и задержек системы. Исходные данные: видеокадры, медицинские или промышленные снимки, разметка и текстовые инструкции. Формат результата: управляющее решение для «Коррекция цвета, освещения, перспективы и композиции» с ожидаемым эффектом, допустимыми пределами и условиями безопасной остановки. Проверка: в симуляции и контролируемых испытаниях, с проверкой устойчивости и независимых аварийных ограничений; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
137Генерация нового изображения по описанию или референсу. — AI генерирует черновой результат, согласованный с контекстом, форматом и стилевыми требованиями задачи. Предметная логика: анализирует форму, текстуру, цвет и пространственные отношения, учитывая масштаб и качество изображения. К исходным данным относятся изображения, медицинские или промышленные снимки, разметка, текстовые инструкции и фотографии. Формат результата: редактируемый артефакт по задаче «Генерация нового изображения по описанию или референсу», согласованный с исходными фактами, форматом и ограничениями; тип артефакта — визуальный результат. Надёжность оценивают по соответствию фактам, требованиям, формату и качеству последующей экспертной доработки; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке.
138Создание вариантов изображения с управляемыми изменениями. — Для этой задачи система создаёт новый артефакт по требованиям, исходным фактам и примерам, сохраняя возможность последующего редактирования. Предметная логика: анализирует форму, текстуру, цвет и пространственные отношения, учитывая масштаб и качество изображения. Рабочие входы: изображения, разметка, текстовые инструкции, фотографии и видеокадры. Формат результата: редактируемый артефакт по задаче «Создание вариантов изображения с управляемыми изменениями», согласованный с исходными фактами, форматом и ограничениями; тип артефакта — визуальный результат. Критерии приёмки: по соответствию фактам, требованиям, формату и качеству последующей экспертной доработки; по точности локализации, совпадению с разметкой, устойчивости к условиям съёмки и экспертной проверке. <a id="section-i-9"></a>

0 моделей