I.8Изображения и компьютерное зрение

amd/stable-diffusion-1.5_io16_amdgpu — вариант Stable Diffusion 1.5, опубликованный AMD для генерации изображений по текстовым запросам. Модель предназначена для запуска через Diffusers и ONNX; суффикс io16 означает, что она принимает входные данные в fp16, выполняет операции в fp16 и выдаёт результат в fp16. Карточка также описывает вариант io32 для приложения Amuse, но он не является этим репозиторием. Модель подходит для создания изображений по текстовым описаниям. Она основана на stable-diffusion-v1-5/stable-diffusion-v1-5; лицензия — CreativeML Open RAIL-M. Сведения о размере модели, контекстном окне и поддерживаемых естественных языках в предоставленных данных отсутствуют.

Карточка модели jyoung105/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

zeromodels/tipsv2-l14 — конверсия модели TIPSv2-L/14 от Google DeepMind, опубликованная zeromodels в формате Keras 3. Это двухбашенная vision-language модель в стиле CLIP/SigLIP: визуальная башня на основе ViT в стиле DINOv2 с register-токенами и двунаправленная текстовая башня, обученные сопоставлять изображения с текстовыми описаниями контрастивным методом. Репозиторий содержит полную модель и обе башни; реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений по заданным текстовым названиям классов без дополнительного обучения: пользователь задаёт возможные категории, а модель оценивает соответствие изображения каждому текстовому описанию. Входное разрешение изображений — 448 пикселей. Лицензия — Apache-2.0, совпадает с лицензией исходного чекпойнта Google.

Bernini-Diffusers-v2 — разработанная командой авторов Bernini модель для генерации и редактирования видео. Она объединяет семантический планировщик на базе Qwen2.5-VL с диффузионным рендерером DiT и компонентами Wan2.2; релиз упакован как самодостаточный каталог для Diffusers. Модель предназначена для генерации видео по тексту и изображению, а также для редактирования видео по сложным инструкциям. Семантическое планирование помогает следовать многошаговым запросам и работать со сценариями редактирования с опорными изображениями. В карточке описаны улучшения следования инструкциям, редактирования с опорными данными и задачи OpenS2V; числовой размер и длина контекста не приведены. Веса доступны в формате safetensors. Лицензия — Apache-2.0. Для повышения качества авторы рекомендуют использовать расширение промпта через OpenAI-совместимый endpoint.

Это модель компьютерного зрения timm/vit_base_patch32_clip_224.metaclip_400m на архитектуре CLIP ViT-B/32 с вариантом активации QuickGELU. Она использует визуальную и текстовую части CLIP и обучена на наборе MetaCLIP-400M; доступна через библиотеки open_clip и timm. Основной сценарий — классификация изображений по текстовым описаниям без отдельного дообучения на целевых классах. Модель сопоставляет изображение с текстовыми метками или описаниями и позволяет выбирать наиболее подходящий вариант. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

timm/ViT-gopt-16-SigLIP2-256 — контрастивная модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX Big Vision для использования с OpenCLIP. Она предназначена для классификации изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов или описания, а модель сопоставляет их с изображением. Модель использует архитектуру SigLIP 2 с визуальным энкодером ViT и рассчитана на задачи zero-shot классификации изображений. Метаданные указывают библиотеку OpenCLIP, форматы PyTorch и safetensors и лицензию Apache-2.0. Информация о размере, длине контекста и конкретных поддерживаемых языках в доступных источниках отсутствует.

TheDenk разработал dilated ControlNet для Wan2.1, управляющий генерацией видео по карте глубины. Модуль использует меньше базовых блоков, чем стандартный ControlNet; для варианта Wan14B указаны 6 блоков и stride 4. Репозиторий содержит код модуля для применения с Wan2.1. Модель предназначена для преобразования видео с управлением по глубине. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0. В карточке нет сведений о требованиях к входным данным, поддерживаемых языках, длине генерируемого видео или качестве результата.

Модель deepsweet/Z-Image-Turbo-6B-MLX-Q4 — версия Tongyi-MAI/Z-Image-Turbo, преобразованная в формат MLX с помощью MFLUX v0.17.5. Она предназначена для генерации изображений по текстовым описаниям; метаданные также отмечают поддержку редактирования изображений. Модель рассчитана на работу через библиотеку MFLUX и распространяется в формате safetensors. Базовая Z-Image-Turbo — дистиллированная модель Alibaba для быстрой генерации изображений, в том числе с английским и китайским текстом на изображениях. Репозиторий указывает лицензию Apache-2.0. Данные карточки не описывают отдельные ограничения этой версии.

Geonmo/CLIP-Giga-config-fixed — временная копия конфигурации CLIP от LAION, созданная для использования, пока не будет исправлена конфигурация laion/CLIP-ViT-bigG-14-laion2B-39B-b160k. Модель относится к архитектуре CLIPModel и предназначена для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах. Модель принимает изображения и текстовые метки классов и сопоставляет их, чтобы выбрать подходящую метку. Репозиторий содержит веса в формате PyTorch; карточка указывает лицензию MIT. Это временное исправление конфигурации, поэтому пригодность и качество следует оценивать с учётом зависимости от исходной модели LAION.

Карточка модели Gunpool/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Ernie-Image-Flex V1 — модель синтеза изображений по текстовому описанию, разработанная wikeeyang на основе дообученной Baidu ERNIE-Image. Она предназначена для генерации изображений по промптам на английском и китайском языках, включая портреты, сцены со сложной композицией и изображения с текстовыми надписями. Модель работает в экосистеме Diffusers и PyTorch. По сравнению с ERNIE-Image-Turbo модель снижает выраженность маслянистой стилизации, избыточного шума и желтоватого оттенка, улучшает композицию портретов, лица и устойчивость анатомии в сложных сценах. Для генерации обычно достаточно CFG 1.0 и 16–25 шагов; с Turbo LoRA возможна работа за 8 шагов. Сохраняется хорошая поддержка рендеринга китайского и английского текста, хотя точность немного ниже, чем у оригинальной ERNIE-Image. Доступна 8-битная квантованная версия с иерархической, блочной и смешанной по точности схемой квантования, рассчитанной на близкое к bf16 качество. Модель предоставляется как чистая базовая модель и подходит для дальнейшего дообучения, обучения LoRA и комбинирования с Turbo, Distill, SFW и NSFW LoRA. Архитектура, число параметров, максимальный размер контекста и точные характеристики модальностей в README не указаны. Лицензия — Apache 2.0.

FireRed-Image-Edit-1.0-Lightning — это облегчённый дистиллированный LoRA-адаптер для модели FireRed-Image-Edit-1.0, разработанный командой FireRedTeam. Он предназначен для редактирования изображений по текстовым инструкциям в сценариях image-to-image: пользователь передаёт изображение и описание требуемого изменения, после чего модель генерирует отредактированный результат. Адаптер используется через библиотеку Diffusers и базовый пайплайн QwenImageEditPlusPipeline. Ключевая особенность модели — ускоренная генерация с малым числом шагов инференса: в примере README используется 8 шагов и отключён стандартный CFG посредством параметра true_cfg_scale=1.0. Заявлены английский и китайский языки. Архитектура, количество параметров, поддерживаемые модальности помимо редактирования изображений и размер контекста в предоставленных данных не указаны. Модель удобна для быстрых итераций при локальном редактировании изображений, однако требует базовую модель FireRed-Image-Edit-1.0, совместимый пайплайн Diffusers и вычислительную среду с CUDA; в примере применяется тип данных bfloat16. Ограничения качества, перечень поддерживаемых операций и результаты оценки в README не описаны. Лицензия — Apache-2.0.

Flux.1 Lite 8B Alpha — экспериментальная модель генерации изображений по текстовым описаниям, разработанная Freepik на основе FLUX.1-dev от Black Forest Labs. Это трансформерная модель с 8 млрд параметров, дистиллированная из FLUX.1-dev; веса доступны в формате safetensors для Diffusers. По данным разработчика, она использует на 7 ГБ меньше оперативной памяти и работает на 23% быстрее исходной модели при сохранении точности bfloat16. Для генерации рекомендуется guidance_scale 3.5 и 22–30 шагов. Модель предназначена для создания изображений по текстовым запросам и доступна как alpha-версия. README описывает применение в ComfyUI и генераторе Freepik. Языки запросов в предоставленных материалах не перечислены. Веса выпущены по некоммерческой лицензии FLUX.1 [dev] от Black Forest Labs, поэтому коммерческое использование ограничено условиями этой лицензии.

FLUX.2 [klein] 9B — компактная модель генерации и редактирования изображений, разработанная Black Forest Labs и представленная в формате mlx-community. Она объединяет text-to-image и image-to-image в единой архитектуре и предназначена для приложений с низкой задержкой, включая интерактивное создание изображений, творческий поиск, интеграцию в пользовательские продукты и редактирование по нескольким референсным изображениям. Модель построена на rectified flow transformer с 9 млрд параметров и использует текстовый эмбеддер Qwen3 с 8 млрд параметров. Она дистиллирована для работы за 4 шага вывода и ориентирована на генерацию менее чем за секунду, при этом заявлены высокое качество, хорошее следование промптам и разнообразие результатов. В карточке указана поддержка английского языка; модель работает с текстовыми описаниями и изображениями, однако размер контекстного окна не указан. Для запуска требуется около 29 ГБ видеопамяти, рекомендуется NVIDIA RTX 4090 или более производительное оборудование. Сильными сторонами являются сочетание генерации и редактирования, поддержка многореференсных сценариев, высокая скорость и возможность использования через Diffusers, ComfyUI и API BFL. Ограничения включают возможные ошибки в следовании запросу и искажения текста на изображениях; модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать предвзятость обучающих данных. Использование регулируется FLUX Non-Commercial License Agreement и Acceptable Use Policy, поэтому модель предназначена для некоммерческого применения; также запрещены незаконные, вредоносные, обманные и некоторые высокорисковые сценарии.

Flux2-Klein-9B-True-V1 — модель генерации изображений из текста, разработанная wikeeyang на основе FLUX.2-klein-9B от Black Forest Labs. Это дообученная версия, ориентированная на text-to-image, редактирование изображений, работу с референсами и inpainting. Заявлена поддержка английского и китайского языков. По данным README, модель имеет размер 9B и предназначена для использования в экосистеме Diffusers и ComfyUI. В сравнении с исходной моделью автор заявляет более чёткую и реалистичную генерацию, более точное редактирование и снижение проблем с потерей деталей, характерных для дистиллированных моделей. Модель совместима с LoRA и допускает гибкую настройку параметров. Рекомендуются CFG 1.0 и 20–30 шагов для генерации, 10–25 шагов для редактирования и inpainting; при использовании turbo LoRA — около 8–12 шагов. В качестве sampler/scheduler рекомендуются euler/simple, но допускаются и другие варианты. Ограничения включают отсутствие указанного размера контекста, сведений о точной архитектуре, разрешении, требованиях к аппаратному обеспечению и результатах независимых оценок. Заявленные преимущества основаны на описании автора и примерах из README. В метаданных указана лицензия Apache-2.0, однако раздел о лицензировании требует использовать модель в соответствии с FLUX Non-Commercial License от Black Forest Labs; перед применением необходимо руководствоваться условиями исходной лицензии.

Модель raulc0399/flux_dev_openpose_controlnet — это обученный для FLUX.1-dev модуль ControlNet, который использует позу OpenPose, чтобы направлять генерацию изображений по текстовому описанию. Разработчик указал, что обучение спонсировала Oxen.ai; модель представлена в формате safetensors и рассчитана на работу с FLUX.1-dev. Модель подходит для создания изображений с заданной позой человека: например, чтобы разместить персонажа в сцене и сохранить положение тела, заданное OpenPose. Карточка показывает примеры генерации по текстовым запросам, но не сообщает размер модели, длину контекста или конкретную лицензию; в метаданных лицензия обозначена как other.

buildborderless подготовил экспериментальную версию FLUX.1 Kontext-dev, объединённую с LoRA-адаптерами ускорения и опубликованную в формате diffusers с весами safetensors. Модель предназначена для генерации изображений по тексту и редактирования существующих изображений по текстовым инструкциям; в метаданных указана поддержка обоих сценариев. Автор описывает генерацию за 6–8 шагов и сообщает о предварительном использовании около 10 ГБ видеопамяти после квантизации NF4. В README рекомендованы планировщик Euler и расписание SGM Uniform, но автор отмечает нестабильные результаты и продолжение экспериментов с весами и планировщиками. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

GPT-5.4 Image 2 — мультимодальная модель OpenAI, объединяющая GPT-5.4 с возможностями генерации изображений GPT Image 2. Она предназначена для сценариев, где нужно сочетать рассуждение, программирование и работу с изображениями. Доступный фрагмент карточки не уточняет архитектуру, число параметров, поддерживаемые языки, длину контекста, конкретные режимы работы с изображениями или лицензию. Модель создана OpenAI; карточка Hugging Face датирована 21 апреля 2026 года.

HunyuanImage-GGUF — это GGUF-совместимая версия модели HunyuanImage-2.1, разработанная автором calcuis на базе Tencent Hunyuan. Модель предназначена для генерации изображений по текстовому описанию и запуска через ComfyUI с использованием gguf-node. Также заявлена поддержка сценариев улучшения и повышения резкости некачественных или размытых изображений в режиме refiner. В комплект входят диффузионная модель hunyuanimage2.1, текстовые энкодеры byt5-sm и qwen2.5-vl-7b, а также VAE pig. Указанные компоненты доступны в формате GGUF и рассчитаны на работу с различными вариантами модели: standard, distilled, refiner, lite и lite v2.2. Для стандартной версии заявлена генерация качественных изображений за 12–15 шагов, для distilled и lite — примерно за 8 шагов; lite-версии ориентированы на снижение времени загрузки и ускорение работы. Модель поддерживает текстовые промпты и negative prompt; другие модальности и языки, максимальный контекст и точный размер архитектуры в README не указаны. Сильными сторонами являются совместимость с GGUF, возможность локального запуска в ComfyUI, наличие облегчённых и дистиллированных вариантов, а также поддержка генерации и экспериментального улучшения изображений. Ограничения включают зависимость от gguf-node и требуемых компонентов, необходимость самостоятельной настройки шагов и CFG, а также неполную документированность качества и возможностей refiner-версии. Модель распространяется по лицензии tencent-hunyuan-community; подробные условия доступны по ссылке на лицензию Tencent Hunyuan.

Карточка модели kakaobrain/karlo-v1-alpha-image-variations на Hugging Face совпадает с карточкой kakaobrain/karlo-v1-alpha, поэтому описание составлено по ней. Karlo v1 alpha — модель генерации изображений по тексту от Kakao Brain на основе архитектуры unCLIP от OpenAI. Она также поддерживает создание вариаций изображения. Модель состоит из prior, декодера и модуля суперразрешения; для генерации использует текстовый энкодер CLIP ViT-L/14. Модуль суперразрешения увеличивает изображение с 64 до 256 пикселей за семь шагов, применяя дополнительный шаг для восстановления высокочастотных деталей. Компоненты обучены с нуля на 115 млн пар изображений и текстов. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; лицензия — CreativeML Open RAIL-M. Карточка приводит результаты оценки на CC3M и MS-COCO, но не описывает языковой охват запросов или ограничения на содержание изображений.

Lance-3B-Video-MLX — порт модели Lance от ByteDance Research в формате MLX, подготовленный RockTalk для нативного запуска на Apple Silicon. Модель объединяет Qwen2.5-VL-3B, параллельные генеративные ветви MoE-gen и VAE Wan 2.2; в репозитории находятся веса safetensors. Указанный размер архитектуры — 3 млрд параметров. Основное назначение этой версии — генерация видео по текстовому запросу. Также README сообщает о генерации изображений по тексту и понимании изображений. Для видео проверена генерация 9 кадров размером 256×256; модель поддерживает до 121 кадра, а типичный пример использует 24 шага. Порт запускается на Apple Silicon без CUDA и автоматически загружает VAE при первом запуске. Карточка описывает проверенную работоспособность и приводит производительность на M4 Studio с 128 ГБ памяти, но результаты на других устройствах не указаны. Для работы требуется значительный объём памяти: основной файл весов занимает 26,5 ГБ, а VAE — около 2,6 ГБ. Лицензия — Apache-2.0.

Карточка модели Repv1111/LFM2.5-VL-450M-Vebe на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-VL-450M, поэтому описание составлено по ней. LFM2.5-VL-450M — компактная мультимодальная модель Liquid AI для понимания изображений и ответов на вопросы по ним. Она дообучена на языковой основе LFM2.5-350M и использует визуальный энкодер SigLIP2 NaFlex размером 86 млн параметров. Модель обрабатывает изображения с сохранением нестандартных пропорций, разбивает крупные изображения на фрагменты и поддерживает контекст до 32 768 токенов. Модель предназначена для описания изображений, визуального диалога, обнаружения объектов и предсказания ограничивающих рамок. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки; вызов функций доступен для текстового ввода. Модель подходит для локального запуска и развёртывания на периферийных устройствах, а карточка рекомендует дообучать её под конкретные сценарии. По данным карточки, обновлённая версия улучшает результаты предшественника на ряде визуальных и языковых тестов. Она не предназначена для задач, требующих обширных знаний, и плохо подходит для точного OCR. Лицензия указана как other; конкретные условия следует сверять в репозитории модели.

LibreMoondream2 — копия весов Moondream 2, опубликованная LibreYOLO для использования в уровне LibreVLM. Репозиторий зеркалирует снимок vikhyatk/moondream2; README указывает, что обученные параметры не менялись. Это компактная мультимодальная модель семейства Moondream для анализа изображений, включая обнаружение объектов и ответы на вопросы по визуальному содержимому. Модель принимает изображения вместе с текстовыми запросами и выдаёт текстовые ответы, в том числе результаты обнаружения объектов. В примере использования задаются целевые классы, например человек и каска, после чего выполняется предсказание для изображения. Она основана на vikhyatk/moondream2 и распространяется в формате safetensors. Лицензия — Apache 2.0.

Карточка модели natalie5/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

Карточка модели rootlocalghost/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

Meissonic — модель генерации изображений по текстовому описанию, разработанная командой ATH-MaaS. Она использует неп autoregressive masked image modeling: изображение создаётся по маскам, а не последовательным предсказанием пикселей. Модель также заявлена для преобразования изображений и рассчитана на запуск на потребительских видеокартах. Meissonic генерирует изображения с разрешением до 1024×1024. Репозиторий содержит веса в формате Diffusers и safetensors; лицензия — Apache-2.0. Разработчики применяли проверки соответствия при обучении, но предупреждают, что не могут гарантировать отсутствие проблемного контента или нарушений авторских прав.

MetaCLIP 2 (worldwide) — мультимодальная модель семейства CLIP, разработанная Meta и представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-H-14-378-worldwide из оригинальной реализации; для работы с ним предусмотрена библиотека Transformers. Модель предназначена для классификации изображений по текстовым описаниям без предварительного обучения на конкретных классах. Она сопоставляет изображения и текстовые метки, что позволяет задавать категории на естественном языке. Карточка указывает на многоязычную поддержку. Веса опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

MobileCLIP2-S3 — компактная мультимодальная модель семейства MobileCLIP2, разработанного Apple. Репозиторий timm содержит адаптированные веса оригинальной модели с конфигурациями и именами весов OpenCLIP; опубликованный вариант предназначен для классификации изображений без дообучения по текстовым описаниям классов. Модель сопоставляет изображения и текст в общем пространстве представлений, что позволяет задавать категории естественным языком и выбирать наиболее подходящую для изображения. Семейство MobileCLIP2 разработано для эффективного визуально-текстового сопоставления и ориентировано на высокую скорость, в том числе на мобильных устройствах. В карточке приведены сравнительные результаты для других вариантов семейства, но отдельные показатели MobileCLIP2-S3 не указаны. Веса доступны в форматах PyTorch и safetensors, модель подключается через библиотеку OpenCLIP. Лицензия — Apple AMLR; перед использованием следует учитывать её условия.

MobileCLIP-B (LT) — мультимодальная модель Apple из семейства MobileCLIP, опубликованная в рамках работы «MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training» (CVPR 2024). Этот репозиторий содержит чекпойнт для библиотеки timm в формате PyTorch. Модель сопоставляет изображения и текст, поддерживая классификацию изображений с нулевым обучением по текстовым описаниям классов. В README для MobileCLIP-B (LT) указана точность 77,2% top-1 на ImageNet в режиме zero-shot. Модель принимает изображения и текстовые запросы и выдаёт оценки соответствия; число параметров и длина контекста для этого чекпойнта в предоставленных данных не приведены. Лицензия — Apple AMLR. Модель подходит для классификации изображений по пользовательским категориям и поиска изображений по текстовому описанию. Фактическое качество может зависеть от формулировок текстовых меток и набора изображений.

MobileNet V2 — компактная свёрточная модель для классификации изображений, разработанная авторами статьи «MobileNetV2: Inverted Residuals and Linear Bottlenecks» и опубликованная в репозитории Google. Эта версия предварительно обучена на ImageNet-1k и принимает изображения с разрешением 224×224 пикселя; множитель глубины 1,4 указывает вариант с увеличенной шириной сети. Модель относит изображение к одному из 1000 классов ImageNet. Архитектура MobileNet рассчитана на низкую задержку и экономное использование ресурсов, поэтому её можно применять на мобильных и других устройствах с ограниченными вычислительными возможностями. Классификатор также может служить отправной точкой для дообучения под другие задачи компьютерного зрения. В карточке указана лицензия other, без уточнения конкретных условий; перед использованием следует проверить лицензионные сведения репозитория. Модель обучена распознавать классы ImageNet-1k, поэтому её классификации могут быть ненадёжны для изображений и категорий, отличных от обучающих.