I.8Изображения и компьютерное зрение

GreenMap/yolo11x-blueprint-legend-layout-detector — модель YOLO11x от GreenMap для обнаружения элементов легенд на архитектурных планах и строительных чертежах. Она находит графические символы и штриховки, текстовые описания и целые строки легенды, связывающие символ с описанием. Модель обучена на планах этажей и строительных чертежах; использует Ultralytics и представлена в формате PyTorch. Размер входного изображения при обучении — 1472 × 1472 пикселя. На валидационной выборке из 68 изображений модель показала mAP50 0,918 и mAP50-95 0,735; для классов символов и описаний mAP50 составила 0,993. Эти показатели относятся к указанной выборке и не гарантируют такого же качества на чертежах другого типа. Лицензия — Apache-2.0.

misri/zavychromaxl_v80 — модель генерации изображений из текста, опубликованная пользователем misri на Hugging Face. Она использует архитектуру Stable Diffusion XL и доступна в формате Diffusers/Safetensors. Модель предназначена для создания изображений по текстовым запросам и может запускаться через Diffusers. Карточка не описывает специализацию по стилям или предметным областям, языковую поддержку, размер контекста и дополнительные характеристики качества. В метаданных лицензия указана как unknown, поэтому условия использования по карточке определить нельзя.

tsqn/Z-Image-Turbo_fp32-fp16-bf16_comfyui — репозиторий с вариантами весов Z-Image-Turbo, подготовленными для использования в ComfyUI. Модель предназначена для генерации изображений по текстовым описаниям; её базовая модель — Tongyi-MAI/Z-Image-Turbo. Файлы представлены в формате safetensors, лицензия — Apache-2.0. Карточка перечисляет рабочие процессы ComfyUI, а метаданные подтверждают задачу text-to-image и поддержку английского языка. Подробности о размере, контексте и конкретных вариантах точности в доступных данных не приведены. Как и у других моделей генерации изображений, результат зависит от текстового запроса и может не соответствовать ему точно.

Z-Image-Turbo GGUF — набор квантизированных файлов базовой модели Tongyi-MAI/Z-Image-Turbo, подготовленный leejet для использования с stable-diffusion.cpp. Модель предназначена для генерации изображений по текстовым описаниям, включая художественные, кинематографические и фотореалистичные сцены. В README заявлена поддержка английского и китайского языков. Файлы доступны в вариантах квантования от q2_K до q8_0, а также в формате bf16, что позволяет выбирать баланс между качеством, размером и требованиями к памяти. Указана возможность запуска на GPU с 4 ГБ VRAM с применением выгрузки части вычислений на CPU. Для работы требуются совместимые компоненты, включая VAE и языковую модель Qwen3-4B-Instruct-2507, а запуск выполняется через stable-diffusion.cpp. README не содержит сведений о точной архитектуре, количестве параметров, максимальном разрешении, размере контекста, производительности и систематических ограничениях качества. Квантизация может влиять на качество результата по сравнению с исходной версией, особенно при использовании более компактных вариантов. Квантизированные файлы распространяются по лицензии Apache-2.0, как и исходная модель Z-Image-Turbo.

3D Animation Diffusion — модель генерации изображений по текстовому описанию, опубликованная под именем Yntec. Карточка демонстрирует создание стилизованных мультяшных и аниме-персонажей, в частности милых девушек с детализированными глазами и волосами; в примере также заданы журнальная рекламная композиция и выразительная прорисовка. Модель распространяется в формате Diffusers на базе PyTorch с весами Safetensors. В метаданных указаны английский язык и лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или базовую модель, поэтому эти характеристики не включены.

AbsoluteReality v1.8.1 — модель генерации изображений по текстовому описанию, опубликованная digiplay и основанная на Stable Diffusion. В карточке указаны примеры реалистичных портретов и изображений с детализированными элементами; файлы доступны в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым запросам, включая портреты и сцены с проработанными материалами и деталями. Данных о размере модели, контексте и поддерживаемых естественных языках в карточке нет. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

abyssorangemix3a1b — модель Stable Diffusion для генерации изображений по текстовым запросам, представленная через ModelsLab и доступная для вызова через их API. Пример запроса нацелен на фотореалистичные портреты в киберпанк-стилистике; поддерживаются текстовые промпты и negative prompt. README также показывает параметры генерации: ширину и высоту изображения, число шагов, guidance scale, seed и запрос на проверку безопасности. Модель предназначена для создания изображений по описаниям, в том числе портретов с детализированным освещением и заданной художественной атмосферой. В метаданных указаны библиотека Diffusers, формат PyTorch и лицензия CreativeML OpenRAIL-M. README описывает использование API ModelsLab; сведения об архитектуре, размере и контекстном окне в предоставленных источниках отсутствуют.

Animagine XL 4.0 GGUF — это квантизированная версия модели Animagine XL 4.0, разработанная сообществом Off Grid AI на основе оригинальной модели cagliostrolab/animagine-xl-4.0. Конвертация выполнена в формат GGUF для запуска через stable-diffusion.cpp и ориентирована на полностью локальную генерацию изображений на устройстве, в том числе в приложении Off Grid AI Desktop. Модель предназначена для задач text-to-image: создания изображений по текстовым описаниям. Доступны варианты Q8_0 с приоритетом качества и Q4_K с меньшими требованиями к оперативной памяти. В README также приведён пример генерации с разрешением 1024×1024, 24 шагами, CFG scale 5 и методом сэмплирования DPM++ 2M. Архитектура относится к семейству Stable Diffusion XL (SDXL), однако точный размер модели, поддерживаемые языки и максимальная длина контекста не указаны. К сильным сторонам относятся локальная и приватная обработка без обязательной отправки данных во внешние сервисы, а также выбор между качеством и потреблением памяти. Ограничения связаны с необходимостью совместимого ПО stable-diffusion.cpp и аппаратных ресурсов для запуска; квантизация Q4_K может снижать качество по сравнению с Q8_0. Модель распространяется по лицензии openrail++, включая ограничения использования, унаследованные от оригинальной модели.

Карточка модели ufhhioig/anything-v5 на Hugging Face совпадает с карточкой stablediffusionapi/anything-v5, поэтому описание составлено по ней. Anything V5 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi. Карточка показывает её использование через ModelsLab API и указывает идентификатор модели anything-v5. Пример запроса задаёт текстовый prompt и negative prompt, разрешение изображения, число шагов генерации и guidance scale. Модель предназначена для создания изображений по текстовым запросам; пример ориентирован на аниме и цифровую иллюстрацию, включая портреты и концепт-арт. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M.

AWPainting-v1-2 — модель генерации изображений по текстовому описанию, опубликованная sam749. Она совместима с StableDiffusionPipeline из библиотеки Diffusers и сохраняет результат как изображение. В примере показана генерация иллюстрации с персонажем и детализированной CG-эстетикой. Для запуска требуется Diffusers; в примере используются PyTorch и GPU с CUDA. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Карточка не сообщает базовую модель, размер, контекст, поддерживаемые языки или проверенные ограничения качества.

BigLove XL2 SDXL — модель преобразования текста в изображение, опубликованная на Hugging Face пользователем John6666 и созданная SubtleShader. Она предназначена для генерации изображений по текстовым описаниям, прежде всего в реалистичном и фотореалистичном стилях. Модель относится к семейству Stable Diffusion XL и запускается через библиотеку Diffusers с конвейером StableDiffusionXLPipeline. Она поддерживает англоязычные текстовые запросы и ориентирована на создание реалистичных изображений, включая сценарии, связанные с эстетикой Pony. В метаданных размер модели и длина контекста не указаны. Для использования применяется лицензия FAIPL-1.0-SD; условия следует учитывать при генерации и распространении изображений. Качество результата зависит от содержания и формулировки запроса, а модель может создавать визуальные артефакты или неточно интерпретировать сложные описания.

Naiscorp/car-damage-maskrcnn-r101-dc5 — модель сегментации экземпляров повреждений автомобилей на фотографиях, предназначенная для страховых осмотров, проверки арендованных машин и оценки автомобилей перед продажей. Для каждой найденной области она выдаёт пиксельную маску, ограничивающую рамку, класс повреждения и оценку уверенности. Модель разработана на архитектуре Mask R-CNN с backbone ResNet-101 Dilated-C5: используется один feature map с шагом 16 и 2048 каналами, а нормализация FrozenBatchNorm применяется на всех этапах. Модель размечает семь типов физических повреждений. Она обучена на внутреннем наборе фотографий, собранном во Вьетнаме; набор данных не опубликован. Выпущенный чекпойнт содержит 59 999 итераций из запланированных 270 000 и описан как промежуточный, хотя именно он использовался в производстве. На тестовом наборе из 417 изображений указаны AP50 19,64 и AP50–95 11,09; эти показатели следует учитывать при оценке пригодности для конкретного сценария. Для запуска предусмотрена библиотека cardamage, а настройки обработки изображений и порог уверенности 0,7 задаются в конфигурации. Лицензия указана как other, поэтому условия повторного использования следует проверять в репозитории модели.

digiplay/chilloutmix_NiPrunedFp16Fix — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face как пайплайн Stable Diffusion для Diffusers. В карточке она названа моделью для создания портретов; репозиторий содержит компоненты StableDiffusionPipeline, включая текстовый энкодер CLIP, U-Net и VAE. Модель принимает текстовый запрос и генерирует изображение. В карточке приведён пример запуска через Diffusers; репозиторий включает веса в форматах PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и исходной лицензией весов.

CoCa2-moderntext-NaFlex ViT-B/32 — исследовательский чекпойнт модели rwightman для сопоставления изображений и текста и генерации подписей к изображениям. Он обучен на CC12M в течение 32 эпох; визуальный энкодер использует NaFlexViT с базовым размером и патчами 32, а текстовый энкодер — причинную архитектуру с RoPE, RMSNorm, SwiGLU и контекстом до 128 токенов. Модель формирует контрастное представление изображения и текста для классификации изображений по текстовым меткам без специального дообучения, а также может генерировать подписи к изображениям. Разработчик сообщает, что качество генерации подписей сопоставимо с MaMMUT2 при размере пакета 4096, но преимущество по поиску изображений по тексту, связанное с общей ветвью обработки подписей, здесь отсутствует. Модель предназначена для сравнения архитектур и исследовательских экспериментов, а не заявлена как производственная. Весы доступны в форматах PyTorch и Safetensors; лицензия Apache-2.0.

CogVideoX1.5-5B — открытая модель генерации видео, разработанная командой CogVideoX. Она создаёт видео по текстовым запросам и предназначена для генерации роликов из англоязычных описаний. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; для запуска и тонкой настройки авторы рекомендуют использовать Diffusers и SAT соответственно. Модель поддерживает английские запросы. Для запросов на других языках README рекомендует сначала переводить текст на английский. Оптимизации Diffusers и квантизация могут снизить потребление видеопамяти, в том числе на менее мощных GPU, но квантизация INT8 заметно замедляет инференс. Приведённые измерения оптимизаций проверялись на NVIDIA A100 и H100; поведение на других устройствах не проверялось. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует уточнить в материалах репозитория.

Карточка модели Mikefeed/CogVideoX-2b на Hugging Face совпадает с карточкой zai-org/CogVideoX-2b, поэтому описание составлено по ней. CogVideoX-2B — открытая модель генерации видео из текста, разработанная командой CogVideoX и происходящая от QingYing. Она создаёт видеоролики по англоязычному текстовому описанию сцены и движения; примеры в карточке показывают как предметные и природные сцены, так и драматические сюжеты. Модель рассчитана на запуск через библиотеку diffusers и использует архитектуру CogVideoXPipeline; веса представлены в формате safetensors. Версия 2B обучена с точностью FP16. Для инференса можно применять оптимизации diffusers и квантизацию модулей, чтобы снизить требования к видеопамяти; квантизация может замедлить генерацию. Описанные проверки памяти проводились на NVIDIA A100 и H100, а применимость оптимизаций на других устройствах явно не подтверждена. Модель принимает только английские запросы; для других языков README предлагает предварительный перевод. Лицензия — Apache-2.0.

CogVideoX-2B — открытая модель генерации видео из текста, разработанная командой CogVideoX и происходящая от QingYing. Она создаёт видеоролики по англоязычному текстовому описанию сцены и движения; примеры в карточке показывают как предметные и природные сцены, так и драматические сюжеты. Модель рассчитана на запуск через библиотеку diffusers и использует архитектуру CogVideoXPipeline; веса представлены в формате safetensors. Версия 2B обучена с точностью FP16. Для инференса можно применять оптимизации diffusers и квантизацию модулей, чтобы снизить требования к видеопамяти; квантизация может замедлить генерацию. Описанные проверки памяти проводились на NVIDIA A100 и H100, а применимость оптимизаций на других устройствах явно не подтверждена. Модель принимает только английские запросы; для других языков README предлагает предварительный перевод. Лицензия — Apache-2.0.

CogVideoX-5B — открытая модель генерации видео от команды QingYing, представленная организацией zai-org. Она создаёт видеоролики по текстовому описанию и предназначена для генерации сцен, визуальных концепций и коротких демонстрационных клипов. Репозиторий использует конвейер CogVideoXPipeline из библиотеки Diffusers и хранит веса в формате safetensors; модель относится к варианту семейства с 5 млрд параметров. Модель принимает запросы только на английском языке. Запросы на других языках можно предварительно переводить на английский с помощью большой языковой модели. Для снижения потребления видеопамяти README описывает выгрузку частей модели в память CPU, нарезку и тайлинг VAE, а также квантизацию модулей; квантизация может замедлить генерацию. Проверки оптимизаций памяти проводились на NVIDIA A100 и H100, поэтому требования и производительность на других устройствах могут отличаться. Лицензия указана как other, конкретные условия использования следует сверять с лицензией репозитория.

John6666/cyberrealistic-pony-v65-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Репозиторий содержит конвейер Stable Diffusion XL в формате Diffusers с весами Safetensors; метаданные указывают на дообучение CyberRealisticPony от cyberdelia. Модель предназначена для создания реалистичных и фотореалистичных изображений, в том числе персонажей в стиле Pony, по текстовым запросам на английском языке. Для запуска предлагается библиотека Diffusers. Лицензия — fair-1.0-sd.

Dark Sushi 2.5D — модель генерации изображений по текстовому описанию, представленная через Stable Diffusion API. Пример в карточке показывает создание портретной иллюстрации с сочетанием аниме-черточек и цифровой живописи; запросы задаются текстовым промптом, а параметры API позволяют выбрать размер изображения, число шагов генерации и другие настройки. Модель подходит для создания стилизованных портретов и концепт-арта по текстовому запросу. Карточка описывает использование через API, включая настройку позитивного и негативного промптов; также перечислены параметры для LoRA и эмбеддингов. Репозиторий содержит формат Diffusers/PyTorch. Лицензия — CreativeML Open RAIL-M.

DonutHoleMix_Beta — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка не содержит сведений о разработчике или архитектуре; метаданные указывают на использование StableDiffusionPipeline. Модель предназначена для создания изображений по текстовым запросам. Данных о специализации, языках запросов и особенностях генерации в карточке нет. Репозиторий опубликован 29 июня 2024 года и распространяется по лицензии с обозначением «other»; конкретные условия лицензии в предоставленных данных не раскрыты.

digiplay/DreamShaper_8 — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face. Карточка показывает примеры портретов и образов в реалистичном и стилизованном оформлении; метаданные указывают на совместимость с Diffusers и форматами PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым запросам, например портретов персонажей и сцен с заданными визуальными характеристиками. Репозиторий использует лицензию, обозначенную как other; конкретные условия следует проверять в карточке модели.

Yntec/DucHaitenLofi — модель генерации изображений по текстовому описанию из семейства Stable Diffusion, представленная в формате Diffusers и сохранённая в safetensors. В README указано, что в модель встроен VAE Blessed2; карточка приводит пример фотореалистичного промпта со сценой на закате. Модель предназначена для создания изображений по текстовым запросам. В тегах карточки отмечены аниме, 3D и стилизация, однако README не описывает эти возможности подробнее. Модель опубликована по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Yntec/elldrethSLucidMix — модель генерации изображений по текстовым описаниям на базе Stable Diffusion, опубликованная пользователем Yntec. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors; в карточке также указано, что в модель встроен zVAE. Модель предназначена для создания иллюстраций по промптам. Пример в карточке показывает стилизованный портрет девушки в стиле чиби, с детализированными глазами, волосами и одеждой. Указанная лицензия — CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели, контексте или поддерживаемых естественных языках.

Emu2 — генеративная мультимодальная модель, разработанная BAAI при участии исследователей THU и PKU. Она построена на архитектуре EmuForCausalLM и содержит 32,3 млрд параметров по метаданным; в README для семейства Emu2 указано 37 млрд параметров. Модель обучена на последовательностях изображений и текста с единым авторегрессионным целевым обучением и принимает чередующиеся изображения и текст. Длина контекста по метаданным — 2048 токенов. Emu2 предназначена для мультимодального обучения в контексте: ответов на вопросы об изображениях, визуальных подсказок, рассуждений по визуальному содержимому и генерации объектов с привязкой к изображению. README сообщает о сильных результатах в few-shot задачах понимания и о возможностях instruction-tuned вариантов для следования инструкциям и генерации по описаниям. Метаданные классифицируют эту карточку как text-generation, поэтому возможности понимания и генерации изображений следует рассматривать с учётом указанного pipeline-тега и описания семейства. Модель опубликована для исследовательского использования; конкретная лицензия в предоставленных данных не приведена. Эффективность заявлена для мультимодальных сценариев с примерами в контексте, однако README не приводит здесь количественных бенчмарков или подробностей ограничений. Объём параметров в карточке и README различается.

Epic Diffusion 1.1 — модель генерации изображений по текстовому описанию, опубликованная johnslegers. Она основана на Stable Diffusion 1.x и создана как универсальная модель для генерации изображений в разных художественных стилях. Автор описывает её как тщательно откалиброванное слияние SD 1.4, SD 1.5, нескольких стилизованных моделей и собственных моделей, обученных методом DreamBooth. Модель принимает текстовые промпты и выдаёт изображения. README заявляет поддержку широкого спектра стилей и NSFW-контента; репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Она унаследовала ограничения Stable Diffusion 1.x, а качество и безопасность результатов зависят от промпта и настроек генерации.

emilianJR/epiCRealism — чекпойнт Stable Diffusion, опубликованный пользователем emilianJR в формате Diffusers. Модель предназначена для генерации изображений по текстовым запросам; в карточке показаны примеры фотореалистичных и фантазийных изображений. Использовать её можно через StableDiffusionPipeline из библиотеки diffusers. Репозиторий содержит веса в формате safetensors. Модель ориентирована на англоязычные запросы. Лицензия — CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели и длине контекста.

AlayaLab/Evoke-Turbo — модель генерации видео, разработанная AlayaLab как версия Alaya-EVOKE, оптимизированная для управляемости. Она предназначена для создания видео по текстовым запросам с точным следованием инструкциям о движении камеры, сцене и объекте. Модель использует ту же архитектуру и рабочий процесс вывода, что и Evoke: 3 шага без CFG, разрешение 384 × 640 и частота 24 кадра в секунду. В репозитории находятся объединённые веса Turbo-трансформера в формате FP32 и Safetensors. Для работы отдельно нужны базовые компоненты Evoke — VAE, текстовый энкодер, токенизатор и планировщик — а также бэкенд глубины ViGeo1.1. В оценке WBench Evoke-Turbo показала лучшие среди сравниваемых вариантов результаты по навигации, согласованности и физическим характеристикам; сравнение использовало разные промпты и позы, поэтому его результаты не полностью сопоставимы. Модель распространяется по лицензии Apache-2.0. Лицензии базовых компонентов и внешних зависимостей регулируются отдельно.

Карточка модели nguoidoncui/Flux1Dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-dev, поэтому описание составлено по ней. FLUX.1 [dev] — модель генерации изображений по тексту от Black Forest Labs. Это 12-миллиардный rectified flow transformer, обученный с помощью дистилляции guidance; веса доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым описаниям и локального использования в творческих и исследовательских рабочих процессах. Модель обеспечивает высокое качество изображений и хорошо следует запросам, хотя результат зависит от формулировки промпта и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется условиями лицензии.

flux2-dev-gguf — GGUF-версия модели FLUX.2-dev, разработанной Black Forest Labs и распространяемой организацией gguf-org. Модель предназначена для генерации и преобразования изображений по текстовым описаниям в ComfyUI; в README она обозначена как image-to-image и демонстрирует создание сложных сцен, персонажей, открыток, надписей и композиций с несколькими объектами. Для работы используются отдельные компоненты: текстовый энкодер cow размещается в каталоге ComfyUI/models/text_encoders, модель flux2 — в ComfyUI/models/diffusion_models, а pig — в ComfyUI/models/vae. Поддерживаются совместимые GGUF-энкодеры, включая Magistral-Small-2509-GGUF и Mistral-Small-3.2-24B-Instruct-2506-GGUF. В README указано, что вариант квантования q2 работает, однако энкодер более высокого уровня лучше следует исходному запросу. Точные архитектура, размер, контекст и набор модальностей не указаны; заявлен английский язык. Модель подходит для локальной генерации изображений и экспериментов с ComfyUI, особенно когда важны детализированные сцены и отображение текста на изображении. Ограничения включают зависимость от правильно установленных компонентов и возможное снижение точности следования промпту при использовании низкоуровневого q2-энкодера. Распространение регулируется лицензией flux-dev-non-commercial-license; коммерческое использование README не разрешает.