I.8Изображения и компьютерное зрение

RetroLife — модель для генерации изображений по текстовому описанию, созданная путём слияния Real Life 2.0 и ElldrethsRetroMix. Она предназначена для создания фотореалистичных и стилизованных изображений с ретро-эстетикой: винтажными цветами, эффектом плёнки, зернистостью и ретропанк-мотивами. В карточке представлены примеры портретов, фантастических сцен и праздничных сюжетов; автор отмечает, что новая версия улучшает анатомию по сравнению с RetroLifeAlpha. Модель распространяется в форматах Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Конкретные сведения о размере и длине контекста не применимы к этой модели генерации изображений.

Revanimated — модель генерации изображений по текстовому описанию, доступная через ModelsLab и представленная на Hugging Face в форматах Diffusers и PyTorch. В примере карточки предлагается создавать портреты и цифровые иллюстрации с помощью текстового запроса; доступны настройки размера изображения, числа шагов генерации, seed и guidance scale, а также подключение embeddings и LoRA. Модель предназначена для генерации изображений по промптам, включая портреты, стилизованные иллюстрации и изображения с аниме- или концепт-арт элементами. Карточка показывает пример вызова через API ModelsLab; это пример настройки сервиса, а не самостоятельная инструкция по локальному запуску весов. В репозитории указана лицензия CreativeML OpenRAIL-M. Карточка не приводит размер модели, контекст или поддерживаемые естественные языки; в примере параметр multi_lingual выключен. Качество зависит от промпта и настроек генерации; в примере можно отключить safety checker, поэтому при использовании следует учитывать применимые правила работы с контентом.

Simple Diffusion XS — экспериментальная компактная модель генерации изображений от AiArtLab. Карточка описывает архитектуру на основе собственного UNet примерно на 1,6 млрд параметров, текстового энкодера Qwen3.5 примерно на 1,8 млрд параметров и собственного VAE с коэффициентом сжатия 8×16. Авторы ориентируют проект на обучение на потребительских видеокартах и быструю генерацию; в README также приведён пример генерации изображения по текстовому запросу. Модель предназначена для создания изображений по текстовым описаниям. В карточке показаны примеры уточнения промпта, задания негативного промпта и управления параметрами генерации, а также отдельная функция увеличения изображений через VAE. Версия обозначена как alpha, а сам README предупреждает, что заявленное качество пока не достигнуто. Репозиторий содержит Diffusers и safetensors. Указана лицензия other без дополнительных условий в предоставленных данных, поэтому конкретные права использования по этой карточке определить нельзя.

The Ally's Mix II Churned — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная Yntec. В карточке указано, что в модель встроен Color101VAE; репозиторий содержит веса в форматах Diffusers и safetensors. Модель предназначена для создания изображений по промптам, включая портреты, стилизованные фотографии, мультяшные сцены и иллюстрации. Примеры в карточке показывают разнообразные визуальные стили и сюжеты. Лицензия обозначена как other, поэтому условия использования следует уточнить в лицензии репозитория. Карточка помечает модель тегом Sexy; изображение людей в примерах не всегда однозначно указывает на возраст, поэтому следует учитывать риск нежелательных результатов.

TokForge-SD15-IPAdapter — пакет для генерации изображений по текстовому запросу с переносом внешности человека с эталонной фотографии. Он предназначен для работы на устройстве в приложении TokForge и объединяет DreamShaper-7 на базе Stable Diffusion 1.5, IP-Adapter plus-face и визуальный энкодер OpenCLIP ViT-H-14. Модель использует текстовый энкодер CLIP, UNet и VAE в файле GGUF F16, а адаптер и энкодер изображения поставляются отдельными файлами. Пользователь задаёт сцену текстом и прикладывает фотографию лица: адаптер переносит идентичность, а запрос определяет окружение и действие. В README приведён пример генерации изображения супергероя над Нью-Йорком; рекомендуются 30 шагов, размер 512×512 и sampler euler_a. Пакет основан на слиянии DreamShaper-7 от Lykon и IP-Adapter plus-face от h94; базовая модель конвертирована в GGUF F16. Лицензия базовой модели указана как CreativeML-OpenRAIL-M; файлы адаптера и энкодера изображения имеют лицензии Apache-2.0 и MIT соответственно.

Карточка модели AnasMohamed/video-llava на Hugging Face совпадает с карточкой openai/clip-vit-large-patch14-336, поэтому описание составлено по ней. openai/clip-vit-large-patch14-336 — модель семейства CLIP на архитектуре CLIPModel, доступная в форматах PyTorch и TensorFlow. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт варианты текста, а модель сопоставляет их с изображением. README утверждает, что модель обучена с нуля, но не сообщает обучающий датасет, результаты оценки или дополнительные сценарии применения. Метаданные не подтверждают базовую модель или производный вариант, поэтому происхождение чекпойнта определить нельзя. Лицензия, размер и длина контекста в предоставленных данных не указаны.

Vintedois Diffusion v0.2 — модель генерации изображений по текстовому описанию, созданная независимыми разработчиками Predogl и piEsposito. Она обучена на большом наборе качественных изображений и рассчитана на создание выразительных изображений с короткими запросами, без сложной настройки промпта. Для усиления фирменного стиля можно добавить к запросу токен «estilovintedois»; модель также поддерживает разные соотношения сторон, например 2:3 и 3:2. Модель основана на Stable Diffusion v1.5 и доступна в форматах Diffusers, PyTorch и safetensors. В README приведён пример генерации с 30 шагами и планировщиком Euler Ancestral. Авторы отмечают потенциал DreamBooth-дообучения и генерации детализированных лиц за небольшое число шагов. Модель распространяется по лицензии CreativeML OpenRAIL-M, допускающей коммерческое использование с условиями лицензии; авторы не дают гарантий и предупреждают, что модель не проходила обширную проверку на новые смещения.

ViP-LLaVA-7B — открытый мультимодальный чат-бот, созданный дообучением LLaMA/Vicuna командой разработчиков ViP-LLaVA. Это авторегрессионная плотная модель на архитектуре Transformer с 6,6 млрд параметров и контекстом 4096 токенов. Модель принимает изображения и текстовые инструкции, а отвечает текстом. Модель предназначена для исследований мультимодальных чат-ботов и компьютерного зрения. Обучение сочетало данные для инструкций по изображениям целиком с данными о регионах изображения, помеченных визуальными подсказками. Возможные сценарии включают ответы на вопросы об изображениях и описание объектов или областей изображения по запросу. В README сообщается о высоких результатах на четырёх академических бенчмарках для региональных задач и на RegionBench. В карточке заявлено исследовательское назначение; конкретная лицензия не указана в доступных данных. Оценки на бенчмарках сами по себе не гарантируют качество на иных данных и сценариях.

YabaLMixAnimeRealistic_V1.0_VAE — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная пользователем digiplay. Карточка сообщает, что в веса встроен VAE; репозиторий рассчитан на запуск через Diffusers и содержит файлы Safetensors. Модель предназначена для создания изображений по текстовым промптам. Пример автора показывает стилизованный портрет персонажа в окружении, с заданными деталями внешности, одеждой, освещением и художественным качеством. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и условиями базовой модели.

MLbackup/2023_Scraped_SDXL — репозиторий с дообученными вариантами Stable Diffusion XL, собранными в резервной копии Earth & Dusk; базовая модель — stabilityai/stable-diffusion-xl-base-1.0. Модели предназначены для генерации изображений по текстовым запросам, в том числе изображений в аниме-стиле. Репозиторий использует Diffusers и содержит веса в формате Safetensors. Это не один однородный чекпойнт: в репозитории размещено множество вариантов SDXL, поэтому конкретный стиль и поведение зависят от выбранного файла. Модель принимает текст и выдаёт изображение. Лицензия — CreativeML Open RAIL-M.

xFutureTechx/2024_Backups — производная модель на базе Stable Diffusion v1.5, опубликованная в формате safetensors для генерации изображений по текстовым запросам. В метаданных указаны библиотека Diffusers, английский язык и лицензия CreativeML OpenRAIL-M. Карточка README не описывает стиль генерации, настройки, качество или дополнительные сценарии модели. Она упоминает среды Runpod и VastAI, но не приводит инструкций по запуску или подробностей об обучении. Модель предназначена для преобразования текстовых запросов в изображения; лицензия задаёт условия использования.

Agate Preview 002 — текстово-графическая модель LogoLabs для генерации изображений по англоязычным запросам. Это продолжение обучения Preview 001: та же плотная архитектура Agate, около 260 млн параметров с TAESD и выходное разрешение 256 × 256 пикселей. Модель обучалась на синтетическом наборе FLUX-Reason-6M; лицензия — MIT. Модель предназначена для создания иконок, символов и других небольших изображений по текстовому описанию, а также для прототипирования и компактного развёртывания. По оценкам разработчика, Preview 002 улучшает результаты Preview 001 на GenEval и Qwen-Image-Bench. Текст на изображениях, точный подсчёт объектов свыше четырёх и обработка отрицаний вроде «без» остаются ненадёжными. Обучающие изображения созданы FLUX.1-dev, поэтому модель может наследовать его визуальные особенности и смещения. В модели нет встроенного классификатора безопасности. Разработчик сообщает о генерации наготы взрослых по запросу и иногда без него, поэтому для публичного использования рекомендуется фильтровать результаты. В README также указано, что модель предназначена для исследований, обучения, прототипирования и компактного развёртывания.

Anima_Detail_Tweaker — это LoRA-модель для text-to-image генерации, предназначенная для работы с базовой моделью LyliaEngine/anima_baseV10 и экосистемой Diffusers. Она служит регулятором детализации изображения: позволяет усиливать или ослаблять визуальные детали, стараясь минимально влиять на исходный художественный стиль и композицию. Модель опубликована под именем LyliaEngine; в README также указано авторство lse14. Положительные значения веса увеличивают детализацию, отрицательные — уменьшают её. Рекомендуемый диапазон весов составляет от -0,5 до 0,5, а для активации не требуется специальное ключевое слово: в качестве instance prompt указано None. Доступны варианты с разными акцентами: context_detailer_base10 сильнее корректирует содержательные детали, rendering_detailer_base10 добавляет материальные детали объектам и окружению, а preview3 использует экспериментальные параметры и может заметно менять композицию или приводить к разрушению деталей. Сведения о размере, архитектуре базовой модели, поддерживаемых языках, модальностях помимо изображений и размере контекста не указаны. Лицензия — CDLA-Permissive-2.0.

animeTWO — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это версия без EMA и представлена в формате Diffusers с весами safetensors. В карточке приведён пример промпта для создания стилизованного изображения в эстетике аниме, включая персонажей и иллюстрации с атмосферными и фактурными деталями. Модель предназначена для преобразования текстового промпта в изображение. README отмечает, что animeTWOz включает ZVAE, тогда как в animeTWO он не встроен. Модель опубликована под лицензией CreativeML OpenRAIL-M; её условия использования следует учитывать при создании и распространении изображений.

Anything V3 — модель генерации изображений в стиле аниме на основе латентной диффузии Stable Diffusion. Она предназначена для создания детализированных иллюстраций по коротким текстовым запросам и поддерживает теги Danbooru, что помогает задавать персонажей, внешний вид и элементы сцены. Модель распространяется в формате Diffusers с весами PyTorch Safetensors; для использования подходит StableDiffusionPipeline из библиотеки Diffusers. Модель ориентирована на иллюстрации в аниме-стилистике и рассчитана на запросы на английском языке. В README приведён пример генерации изображения по запросу «pikachu», а также упомянут запуск через Gradio. Репозиторий предоставляет лицензию CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

AstrAnime_v6 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. Карточка содержит примеры изображений, созданных через AUTOMATIC1111 и API Hugging Face, в том числе пример с девушкой и бабочками; метаданные указывают на Stable Diffusion и использование Diffusers с весами Safetensors. Модель подходит для создания иллюстраций по текстовым запросам, включая аниме-образы. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнять в репозитории.

Based 64 — модель генерации изображений по текстовому описанию в формате Diffusers. В README указано, что это версия без EMA модели Based 64 Mix; в неё встроен VAE от BagOfChips. Примеры показывают стилизованные изображения в аниме, чиби и живописной манере, а также натюрморты и реалистичные сцены. Модель предназначена для создания иллюстраций по текстовым запросам. Репозиторий содержит веса в формате safetensors, а для Diffusers указана лицензия CreativeML Open RAIL-M. В карточке отмечена поддержка английского языка. В README не приведены сведения о размере модели, длине контекста или известных ограничениях качества.

ChilloutMix — модель генерации изображений по текстовому описанию, распространяемая через Stable Diffusion API и доступная в формате Diffusers/PyTorch. В примере README используется API ModelsLab с идентификатором chilloutmix; параметры позволяют задавать текстовый и отрицательный промпты, размер изображения, число шагов генерации, guidance scale и seed. Модель подходит для создания портретов и художественных изображений с детализированными лицами, реалистичной внешностью и стилизованными элементами. README приводит пример генерации изображения 512×512 за 30 шагов, но не сообщает размер базовой модели, контекст, набор языков или конкретную базовую модель. В метаданных указана лицензия CreativeML OpenRAIL-M. README демонстрирует настройку safety checker со значением «no», поэтому при использовании через приведённую интеграцию фильтрация контента может быть отключена; сама карточка не описывает дополнительные ограничения качества или безопасности.

ChilloutMix — модель семейства Stable Diffusion от Yntec для генерации изображений по текстовым запросам. Карточка приводит пример запроса для создания стилизованной иллюстрации персонажа в игровой комнате; метаданные указывают на использование Diffusers и форматов Diffusers и safetensors. Модель подходит для создания художественных изображений по описанию сцены и стиля. В README также упомянуты варианты ChilloutMixMini без EMA и ChilloutMixVAE со встроенным zVAE. Модель распространяется по лицензии CreativeML Open RAIL-M. Карточка не сообщает размер модели, длину контекста и поддерживаемые языки. Пример показывает стилизованную иллюстрацию, но README не описывает качество или ограничения генерации.

CLIP-ViT-Base Fine-tuned for Animal Identification — модель компьютерного зрения от AvitoTech, дообученная на базе openai/clip-vit-base-patch32 для распознавания и повторной идентификации отдельных кошек и собак. Она формирует 512-мерные эмбеддинги изображений и предназначена для сравнения фотографий животных, поиска совпадений и проверки личности животного. Для обработки изображений используется входной размер 224×224 пикселя; модель построена на архитектуре CLIP и работает через библиотеку Transformers. В карточке приведены результаты оценки на наборах изображений кошек и собак, включая ROC AUC и точность поиска в топ-K; при этом показатели различаются между наборами и задачами, а в тестах на собаках точность Top-1 заметно ниже, чем на кошках. Модель выпущена под лицензией Apache-2.0. README не сообщает поддерживаемые языки или длину контекста; модель принимает изображения и возвращает векторы признаков.

Modelo oficial da Confia Company para reconhecer texto curto em imagens de CAPTCHA de baixa resolução. Usa uma arquitetura convolucional personalizada Positional Slot-Head CNN: три сверточных блока с BatchNorm2d и ReLU формируют пространственную карту признаков, а пять независимых классификационных голов распознают символы по позициям. Модель рассчитана на изображения размером 150 × 50 пикселей и последовательности из пяти буквенно-цифровых символов; поддерживаемый алфавит содержит цифры 2–9 и строчные латинские буквы. В README заявлены точность распознавания всей последовательности около 94–98%, точность по символу выше 99% и время вывода менее 5 мс на CPU. Модель предназначена для экспериментов с компьютерным зрением, OCR и проверки визуальной доступности веб-платформ. Она работает на PyTorch и распространяется по лицензии MIT. Показатели производительности приведены для небольшого набора примерно из 800 примеров и не гарантируют такую же точность на других типах CAPTCHA.

Карточка модели Muapi/counterfeit-v30 на Hugging Face совпадает с карточкой stablediffusionapi/counterfeit-v30, поэтому описание составлено по ней. Counterfeit-v30 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и доступная через ModelsLab API. Пример в карточке показывает генерацию портретов в аниме и цифровом художественном стиле с настройкой отрицательного промпта, размера изображения, числа шагов и guidance scale. Метаданные указывают на задачу text-to-image и формат Diffusers/PyTorch; лицензия — CreativeML OpenRAIL-M. Пример API использует изображения 512×512 и 30 шагов генерации. Карточка не раскрывает базовую модель, число параметров или контекст.

CyberRealistic Pony v127 Alternative — производная модель Cyberdelia на основе cyberdelia/CyberRealisticPony для генерации изображений по текстовым запросам. Модель предназначена для создания реалистичных и фотореалистичных изображений; в метаданных указана поддержка Stable Diffusion XL и библиотеки Diffusers. В тегах отмечены более сбалансированные освещение, контраст и цветовые тона. Карточка не содержит подробных инструкций по использованию или описания отличий версии v127 Alternative от базовой модели. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

KBlueLeaf/DanTagGen-delta — модель генерации тегов для изображений, разработанная KBlueLeaf. Она предназначена для автоматического дополнения описаний изображений в формате тегов Danbooru и может использоваться в рабочих процессах генерации изображений, включая подготовку промптов для моделей Stable Diffusion. Модель принимает структурированные поля качества, рейтинга, художника, персонажей, авторских прав, соотношения сторон, целевой длины и общих тегов, после чего генерирует дополнительные теги. Модель обучена с нуля на архитектуре LLaMA примерно на 400 млн параметров, которую автор называет NanoLLaMA. Версия delta предварительно обучалась на 7,2 млн записей в течение 10 эпох; в ходе обучения модель увидела приблизительно 10–15 млрд токенов. По сравнению с предыдущими версиями она отличается большим объёмом данных и лучшим разнообразием генерируемых тегов, хотя может быть слегка недообученной. Указан английский язык, библиотека Transformers и сценарий text-generation. Для запуска рекомендуется llama.cpp или llama-cpp-python; также доступны модели в форматах FP16 GGUF и квантованных вариантах 8-bit и 6-bit. Модель ориентирована на изображения и содержит тег not-for-all-audiences, поэтому результаты могут включать чувствительный или взрослый контент. К ограничениям относятся зависимость от специализированного формата входных данных и возможная неполнота или неточность тегов. Модель распространяется по лицензии CC BY-NC-SA 4.0, допускающей использование с указанием авторства, на некоммерческих условиях и с сохранением аналогичной лицензии для производных материалов.

stablediffusionapi/disney-pixal-cartoon — модель генерации изображений по текстовому описанию от StableDiffusionAPI, распространяемая через сервис ModelsLab. Карточка предлагает вызывать её через API ModelsLab и указывает идентификатор disney-pixal-cartoon; пример запроса задаёт изображение размером 512 × 512 пикселей, 30 шагов инференса и guidance scale 7,5. Модель предназначена для создания изображений по промптам. В примере показан подробный портрет в киберпанк-стиле; README также поддерживает negative prompt и настройки генерации, но не описывает архитектуру, число параметров, контекст или заявленные языки. Метаданные указывают форматы Diffusers, PyTorch и Safetensors, а также лицензию CreativeML OpenRAIL-M. Условия доступа через ModelsLab API могут зависеть от сервиса.

DreamFul-V2 — модель генерации изображений по текстовому описанию, опубликованная пользователем Hius и рассчитанная на создание реалистичных и естественных изображений. Она распространяется в формате Diffusers и использует StableDiffusionPipeline; автор описывает её как смесь моделей, но состав и базовые модели не раскрывает. Модель предназначена для создания изображений по промптам, например портретов с заданным освещением и цветовой палитрой. В карточке приведены рекомендации по настройкам генерации: сэмплеры DPM++ SDE Karras или Ruler a, 30–50 шагов и CFG Scale 7.5. Указанный язык метаданных — английский. Автор отмечает, что модель находится в стадии тестирования, поэтому её качество и стабильность могут меняться. LoRA в модель не добавлена. Лицензия — CreativeML OpenRAIL-M.

Карточка модели ryanplant/DreamShaper на Hugging Face совпадает с карточкой Lykon/DreamShaper, поэтому описание составлено по ней. Lykon/DreamShaper — модель генерации изображений по текстовому описанию, размещённая разработчиком Lykon на Hugging Face. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors; метаданные связывают модель со Stable Diffusion и указывают английский язык карточки и художественную направленность. Модель подходит для создания художественных изображений и иллюстраций по текстовым запросам. Карточка упоминает сервисы Mage.space и sinkin.ai для запуска модели. В метаданных указана лицензия «other», поэтому условия использования следует проверять в самой карточке или в приложенных файлах лицензии. README не описывает ограничения качества, архитектурные детали, размер модели или длину контекста.

xyn-ai/DreamShaper — модель генерации изображений по текстовому описанию, опубликованная в формате Diffusers. Карточка рекомендует также ознакомиться с NeverEnding Dream, описанной как полуреалистичная модель, совместимая с booru-тегами и промптами; это описание относится к другой модели. Модель предназначена для создания изображений по текстовым запросам. В метаданных указаны Stable Diffusion и Diffusers, а также английский язык. Карточка содержит примеры вывода, но не сообщает размер модели, длину контекста или условия лицензии; лицензия в метаданных обозначена как other.

Yntec/DreamShaperRemix — слитая модель для генерации изображений по текстовым описаниям, созданная автором как ремикс семейства DreamShaper. По README, модель собрана из нескольких версий DreamShaper, включая DreamShaper 6.2 и DreamShaper 8; в метаданных также указаны связи с Yntec/DreamShaper и Yntec/Dreamshaper8. Примеры демонстрируют иллюстрации, аниме, мультфильм и фотореалистичные портреты. Модель предназначена для создания художественных и фотореалистичных изображений по промптам. Она распространяется в форматах Diffusers, PyTorch и SafeTensors, а для запуска указан Diffusers. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия. README сообщает, что модель переименована в DreamShaperRemixAlpha, поэтому название репозитория и актуальное имя могут различаться.

ebara-pony — модель генерации изображений по текстовому описанию на основе Stable Diffusion XL, представленная в виде пайплайна Diffusers и весов safetensors. По README это тестовый merge вариантов ebara_pony и Pony; автор описывает версии с изменениями в выражении глаз и яркости кожи. Для генерации автор рекомендует добавлять в положительный промпт теги score, а в отрицательный — source и realistic. Модель предназначена для создания изображений по текстовым промптам и настройки пользователем под свои предпочтения. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория.