II.8Инженерия данных и аналитика

Elilora/pidgin-sentiment-afriberta-finetuned_with_emotion — модель классификации тональности нигерийского пиджина, разработанная Elilora на основе Davlan/naija-twitter-sentiment-afriberta-large. Она принимает текст вместе с категорией эмоции в префиксе вида [EMOTION: sarcasm] и относит высказывание к положительной, отрицательной или нейтральной тональности. Модель рассчитана на сценарии, где эмоциональный контекст уже размечен человеком или получен на предыдущем этапе обработки. Архитектура — XLM-RoBERTa для классификации последовательностей; размер — 148,1 млн параметров, контекст — 514 токенов. Для обучения использовано 500 примеров из датасета WAZOBIALABS/nigerian-pidgin-voice-text. В карточке заявлена точность 96,4% на отложенной выборке при наличии категории эмоции. Модель подходит для анализа тональности сообщений на нигерийском пиджине, в том числе высказываний, где сарказм или эмоциональный регистр меняют смысл слов. Лицензия модели — MIT. Она не предназначена для надёжной классификации текста без префикса эмоции или для других языков; при автоматическом определении эмоции качество результата зависит от отдельного классификатора или модели.

Модель TimeLMs от CardiffNLP — RoBERTa-large с 454,1 млн параметров, обученная на 154 млн твитов, опубликованных с января 2018 по декабрь 2022 года. Это исходный чекпойнт без инкрементальных обновлений; данные получены через Twitter Academic API и прошли фильтрацию и предобработку. Модель предназначена для заполнения пропусков в тексте и анализа англоязычных твитов. Её можно применять для восстановления замаскированных слов, сравнения предсказаний и оценок perplexity для разных временных срезов, а также получения эмбеддингов твитов. Для предобработки текста авторы рекомендуют заменять имена пользователей на «@user», а ссылки — на «http». Это плотная модель архитектуры RoBERTa с контекстом до 514 токенов, распространяемая в формате PyTorch. Карточка приводит лицензию MIT. Обучение на сообщениях до конца 2022 года и специфическая предобработка могут ограничивать качество на более свежих текстах и данных, отличающихся от твитов.

Модель textattack/bert-base-uncased-imdb — версия BERT-base-uncased, дообученная командой TextAttack для классификации отзывов из набора IMDB. Она относит текст отзыва к одной из категорий тональности, например положительной или отрицательной. Модель имеет плотную архитектуру BERT и около 136,7 млн параметров. Метаданные указывают контекст до 512 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. В карточке сообщается о точности 0,89088 на оценочной выборке IMDB. Доступны веса PyTorch и Flax. Модель подходит для анализа тональности англоязычных отзывов и демонстрации классификации текста. Она обучалась на IMDB, поэтому её результаты на других жанрах, языках и предметных областях могут быть хуже; карточка не приводит дополнительных оценок обобщения. Условия лицензии в предоставленных данных не указаны.

Модель BETO для обнаружения сарказма — дообученная версия испанского BERT bert-base-spanish-wwm-cased, разработанная в рамках практикума по обработке естественного языка Univalle PLN. Она выполняет бинарную классификацию испанских текстов, определяя саркастические высказывания. Модель построена на архитектуре BERT и содержит 137,1 млн параметров; максимальный размер контекста — 512 токенов. Для загрузки и использования подходит библиотека Transformers. В эксперименте с подбором гиперпараметров и ранней остановкой конфигурация с размером батча 32 показала на валидации точность 90,96% и F1 88,16%. Эти показатели относятся к описанному в карточке набору валидации и не гарантируют такого же качества на других данных. Модель распространяется по лицензии MIT.

Это дообученная модель DepRoBERTa от автора rafalposwiata для определения уровня депрессии по публикациям в социальных сетях на английском языке. Модель относит текст к одному из трёх классов: отсутствие депрессии, умеренный или тяжёлый уровень. Модель основана на архитектуре RoBERTa и содержит 454,1 млн параметров. Она предназначена для классификации коротких текстов; нативный контекст составляет 514 токенов. Модель участвовала в решении, занявшем первое место в задаче LT-EDI-ACL2022 по выявлению признаков депрессии в текстах социальных сетей. Подходит для исследовательского анализа текстов и автоматической разметки публикаций, но предсказания не являются клиническим диагнозом. Лицензия в предоставленных данных не указана.

GraphGPT-7B-mix-all — авторегрессионная языковая модель на архитектуре Transformer семейства GraphLlama, разработанная Data Intelligence Lab при HKU. Она дообучена на основе Vicuna-7B-v1.5 с помощью подхода Graph Instruction Tuning и смешанных инструкционных данных для работы с графами. Модель предназначена для задач классификации узлов и предсказания связей в различных графовых наборах данных. В репозитории указаны 6,6 млрд параметров и контекст до 4096 токенов; доступны веса PyTorch. Карточка не описывает интерфейс передачи графовых данных и конкретные языки использования, поэтому применимость в отдельных сценариях зависит от формата входа и оценочного кода проекта. Лицензия в предоставленных данных не указана.

HurricaneOD — детектор объектов на базе YOLOv8, дообученный автором Rattatammanoon для обнаружения тайских автомобильных номерных знаков на изображениях и кадрах видео. Модель локализует номера рамками и также рассчитана на обнаружение автомобилей, мотоциклов, грузовиков и автобусов. Она предназначена для потокового анализа дорожного видео, пакетной обработки изображений и подготовки вырезок номеров для последующего OCR. Для запуска используется библиотека Ultralytics; в метаданных указан формат PyTorch. В README заявлена поддержка старых и новых форматов тайских номеров, а также возможность экспорта в ONNX, TensorRT, CoreML и TFLite. Лицензия — Apache-2.0. Модель находит и локализует объекты, но сама по себе не распознаёт текст на номере.

Nori-100M — табличная модель семейства Nori, разработанная Synthefy. Она предназначена для регрессии с обучением в контексте: модель получает несколько размеченных строк таблицы и предсказывает значения для новых строк за один прямой проход, без отдельного обучения или дообучения под задачу. Модель обучена исключительно на синтетических данных. Вариант содержит около 98,3 млн параметров и использует плотную архитектуру Features Transformer: 42 слоя, размерность эмбеддинга 352, скрытую размерность 1056 и 8 голов внимания. Для работы предусмотрена библиотека synthefy-nori; модель использует GPU при наличии и может работать на CPU. Лицензия — Apache-2.0. Модель рассчитана на регрессию по таблицам малого и среднего размера. Плотное внимание к строкам имеет сложность O(N²), поэтому на больших таблицах и при длинном контексте модель уступает лучшим базовым методам; обучение не использовало реальные бенчмарковые данные.

wu-pr-gw/segformer-b2-finetuned-with-LoveDA — модель семантической сегментации изображений на архитектуре SegFormer-B2, размещённая пользователем wu-pr-gw на Hugging Face. Она предназначена для разметки пикселей изображения по классам объектов и поверхностей; название указывает на дообучение для LoveDA. SegFormer сочетает иерархический Transformer-энкодер MiT с лёгким MLP-декодером. Модель загружается через Transformers как SegformerForSemanticSegmentation и принимает изображение, выдавая карту сегментации. Карточка модели отсутствует, поэтому подробности о классах разметки, метриках и конкретных настройках обучения не подтверждены. Репозиторий содержит веса PyTorch. Лицензия в доступных сведениях не установлена.

WavLM Base+ French Italian Phonemizer — модель HugoFara для распознавания французской и итальянской речи с выводом произнесённых слов в фонетической транскрипции IPA. Это дообученная на Common Voice 17.0 модель WavLM Base+ с CTC-классификатором; число параметров — 113,3 млн. На вход подаются аудио и код языка, а для пакетной обработки с дополнением аудиозаписей — также маска внимания. Модель предназначена, в частности, для массовой транскрипции аудиоданных в клинических сценариях. Она не использует языковую модель, поэтому реже подменяет услышанное ожидаемыми словами. В README сообщается о PER около 10% на тестовой части Common Voice 17.0; разработка продолжается, а обучающие данные ограничены. Обучение проводилось на взрослых голосах, поэтому возможны смещения при распознавании других групп говорящих и акцентов. Лицензия — Apache-2.0; README запрещает вредоносное использование.

BEE-spoke-data разработала bert-plus-L8-4096-v1.0 — модель семейства BERT для заполнения пропусков в тексте. Это плотный трансформер с 8 слоями, архитектурой BertForMaskedLM и примерно 98,9 млн параметров. В модели используется относительное позиционное кодирование relative_key; заявленная длина контекста — 4096 токенов. Последним указанным обучающим набором был euirim/goodwiki. Карточка приводит результаты оценки и незавершённое сравнение на GLUE, поэтому показатели следует считать предварительными. Модель подходит для восстановления замаскированных слов и изучения представлений английского текста; указанная языковая метка — en. Весы опубликованы в формате safetensors под лицензией Apache-2.0. Карточка не описывает специализированную настройку под прикладные области.

chest2vec CT Report Labeler — модель классификации текстов, построенная на базе Qwen/Qwen3-Embedding-0.6B и разработанная для разметки описаний КТ органов грудной клетки. Она предсказывает 137 меток находок с тремя статусами для каждой: отрицательный, неопределённый или положительный; метки можно агрегировать в 38 групп и 10 анатомических разделов. Модель содержит около 596 млн параметров, использует объединённые с весами LoRA-адаптацию, pooling последнего токена и линейную классификационную голову. Полная модель и токенизатор включены в репозиторий; входной текст ограничен 512 токенами. Модель предназначена для автоматической классификации находок в текстовых заключениях КТ грудной клетки, сравнения сгенерированных и эталонных радиологических отчётов по F1, а также анализа результатов на уровне отдельных меток и их групп. Она обучена на слабых метках из chest2vec/chest2vec_labels на основе CT-RATE; автор сообщает высокие показатели AUROC и F1 на оценочных наборах, включая внешний набор. Лицензия CC-BY-NC-SA-4.0 допускает использование на её условиях, включая некоммерческие ограничения. Модель анализирует текст отчёта, а не медицинские изображения, и не предназначена для клинического применения; метки отражают ошибки обучающих аннотаций и самой модели.

Карточка модели bmk007/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

ianpan/mammo-crop — специализированная модель для автоматического кадрирования маммограмм, разработанная автором репозитория ianpan. Она находит границы полезной области снимка, чтобы убрать лишний фон; лёгкая архитектура использует дообученную MobileNetV3 Small 1.0 и предсказывает нормализованные координаты прямоугольника в формате xywh. Модель принимает изображения маммографии и выдаёт координаты области кадрирования. Обучение и проверка проводились на 54 706 скрининговых маммограммах из соревнования RSNA Screening Mammography Breast Cancer Detection с разбиением 90/10. Валидационные средние абсолютные ошибки нормализованных координат составили 0,0032 для x, 0,0030 для y, 0,0054 для ширины и 0,0088 для высоты. Для входа ожидаются значения пикселей 0–255; DICOM-снимки следует преобразовать в 8-битные изображения и предварительно обработать. Автор отмечает, что кадрирование не гарантировано безошибочным. Модель распространяется по лицензии Apache-2.0.

MahaPOS-BERT — модель BERT, разработанная L3Cube-Pune в рамках проекта L3Cube-MahaNLP и дообученная на разметку частей речи в текстах на маратхи. Она присваивает каждому токену один из 16 тегов, согласованных с Universal Dependencies v2. Модель основана на l3cube-pune/marathi-bert-v2, содержит 264,8 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для морфосинтаксического анализа предложений на маратхи, включая разметку новостных текстов. В тестировании указаны точность на уровне токенов 88,67% и macro-F1 81,67% по 15 основным тегам. Обучающая выборка включает 32 354 предложения из новостных источников, охватывающих политику, спорт, культуру, технологии и местные события. Качество может снижаться на неформальных текстах, публикациях в соцсетях и смешанном маратхи с другими языками. Теги PROPN и INTJ распознаются слабее, а предсказания POSTP ненадёжны из-за малого числа примеров. Модель распространяется по лицензии Apache-2.0.

Модель aquiro1994/naics-github-classifier — дообученная RoBERTa-large для отнесения репозиториев GitHub к одному из 19 отраслевых секторов NAICS. Она анализирует название репозитория, описание, темы и README; текст следует предварительно собирать и очищать тем же способом, что использовался при обучении. Модель разработана на основе 6 588 размеченных англоязычных репозиториев, а метки для обучения получены с помощью оценок GPT-4.1. В метаданных указаны архитектура RoBERTa для классификации последовательностей, 454,1 млн параметров и контекст длиной 514 токенов. Модель предназначена для классификации репозиториев по отраслям, анализа экосистемы открытого ПО и исследований внедрения технологий в разных секторах. Она принимает текст и выдаёт метку класса; поддерживает только английский язык и не умеет отказаться от классификации, поэтому может уверенно относить к отрасли учебные проекты, портфолио и упражнения. Модель не предсказывает NAICS 55, обучалась только на примерах, отнесённых к существующим секторам, и может плохо работать с неанглоязычными или неспециализированными репозиториями. Лицензия — MIT.

Sovereign-MicroSwarm-v1 — компактная модель ItsNotAI LABS на основе плотного Transformer с многоголовым self-attention, предназначенная для анализа телеметрии промышленного оборудования. В карточке указано 917,5 тыс. параметров; README отдельно приводит 795 907 обучаемых параметров и 640 000 элементов константного positional encoding. Модель обучалась 10 эпох с AdamW и распространяется в форматах PyTorch и Safetensors. Модель рассчитана на прогнозное обслуживание оборудования, включая оценку состояния подшипников и коррекцию крутящего момента двигателей и роботов на сборочных линиях. README сообщает о validation loss MSE 0,00419 и задержке инференса 1,123 мс, однако описание не раскрывает состав датасетов, протокол измерений и условия тестирования этих показателей. Лицензия — Apache-2.0.

WindFM-robust — модель для прогнозирования временных рядов, связанная с задачами ветроэнергетики. Репозиторий содержит веса в формате safetensors; автор README направляет за инструкциями по использованию в связанный GitHub-репозиторий. Модель поддерживает прогнозирование при отсутствии некоторых ковариат: для пропущенной переменной все её значения следует задать равными нулю. Репозиторий распространяется по лицензии MIT. Сведения об архитектуре, размере модели, длине контекста и языках в предоставленных материалах отсутствуют.

CeLLaTe-tapt-bioformer16l-tokenizer-original-spanmask — дообученная на наборе Mardiyyah/TAPT_CeLLaTe2.0 модель bioformers/bioformer-16l для заполнения пропусков в тексте. Это плотная BERT-модель с архитектурой BertForMaskedLM, содержащая 50,3 млн параметров; формат весов — safetensors. Модель принимает текст и предсказывает замаскированные токены, поддерживает английский язык и контекст длиной до 1024 токенов. В README приведены результаты оценки: loss 2,6539, accuracy 0,5310 и perplexity 14,2095. Карточка не описывает предполагаемые сценарии применения и ограничения качества, поэтому результаты следует рассматривать как ориентир оценки, а пригодность для конкретной задачи — проверять отдельно. Модель распространяется по лицензии Apache-2.0.

DistilClinicalBERT — дистиллированная версия BioClinicalBERT, обученная авторами карточки на заметках MIMIC-III. Модель основана на архитектуре BERT и предназначена для задачи заполнения маскированных токенов в медицинских текстах: она предсказывает пропущенное слово по окружающему контексту. При дистилляции использовалась цель masked language modeling и сопоставление распределений выходов с моделью-учителем; также описана возможность выравнивания последних скрытых состояний. Студенческая модель инициализировалась весами каждого второго слоя учителя. В ней 6 слоёв Transformer, размер скрытого представления 768, словарь из 28 996 токенов и около 78,9 млн параметров; длина контекста — до 512 токенов. Репозиторий содержит веса PyTorch. Модель подходит для предсказания пропусков и изучения контекстных представлений клинических записей, но её основная задача — заполнение маски, а не самостоятельная диагностика или генерация свободного текста. В README указано обучение на англоязычных заметках MIMIC-III, поэтому перенос на другие языки и типы медицинских документов может требовать проверки. Сведения о лицензии в предоставленных источниках отсутствуют.

Модель UMCU/DutchCADRADS_fromRadioReports_Masked разработана для классификации нидерландских радиологических заключений по категориям CAD-RADS. Она определяет категорию по тексту отчёта, в котором прямые упоминания CAD-RADS замаскированы; для обучения метки получили из 1 429 отчётов с помощью регулярных выражений, включая сведения о степени стеноза. Модель основана на UMCU/CardioDeBERTa.nl_clinical и использует архитектуру DeBERTa-v2 с классификационной головой. Она решает задачу многоклассовой классификации текста с шестью классами. Размер модели — 454,2 млн параметров, контекст — до 1 024 токенов; опубликованные результаты десятикратной кросс-валидации составляют в среднем 0,864 по accuracy и 0,861 по F1. Модель предназначена для анализа радиологических заключений на нидерландском языке. Лицензия — GPL-3.0.

AIMH/mental-xlnet-base-cased — модель на базе XLNet-base-cased, предварительно обученная для текстов в области психического здоровья. Она предназначена для получения признаковых представлений текста средствами PyTorch и может применяться как основа для последующих задач анализа текстов о психическом здоровье. XLNet использует обобщённое авторегрессионное предобучение; модель рассчитана на английский язык. В метаданных указан pipeline text-generation, однако пример в README показывает извлечение признаков через XLNetModel, поэтому возможности генерации текста не подтверждены примером использования. Модель распространяется по лицензии CC BY-NC 4.0. Её предсказания не являются психиатрическими диагнозами; при проблемах с психическим здоровьем рекомендуется обратиться за профессиональной помощью.

Модель datummd/NCBI_BC5CDR_disease — версия BioBERT, дообученная разработчиками datummd для распознавания названий заболеваний в биомедицинских текстах. Она предназначена для извлечения упоминаний болезней из научных публикаций и других текстов, в том числе в сценариях биомедицинской обработки естественного языка. Модель использует архитектуру BERT с классификацией токенов, содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. При дообучении использовались корпуса BC5CDR-diseases и NCBI-diseases, а также выбранные аннотации PubTator из набора LitCOVID. Модель рассчитана на английский язык и выдаёт метки для токенов, позволяя выделять фрагменты с названиями заболеваний. Лицензия — Apache-2.0. Качество распознавания за пределами указанных корпусов и английского биомедицинского текста может отличаться.

Nutri-Score Multi-Modal Tabular Predictor — модель для оценки пищевых продуктов по шкале Nutri-Score от A до E и предсказания числового балла, разработанная hsilvosa. Она предназначена для случаев, когда часть пищевых показателей отсутствует: модель учитывает имеющиеся значения нутриентов, признаки их отсутствия, производные соотношения и текстовые представления названия продукта, категории и списка ингредиентов. Модель обучена на наборе данных hsilvosa/open-food-facts и поддерживает табличную классификацию; в карточке указаны точность определения класса 83,33%, точность в пределах двух классов 93,40% и R² числового прогноза 0,9051. Репозиторий содержит формат PyTorch и распространяется по лицензии Apache-2.0.

cm93/resnet50-eurosat — свёрточная нейросеть ResNet-50, дообученная разработчиком cm93 на наборе EuroSAT для классификации спутниковых изображений по типам землепользования и земного покрова. Модель принимает цветные изображения RGB, полученные из снимков Sentinel-2, и определяет один из 10 классов EuroSAT. В README указаны 27 000 размеченных геопривязанных изображений в обучающем наборе. На тестовой выборке модель показала точность 98,07%, F1 0,98074, полноту 0,98074 и precision 0,98078. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT. Модель подходит для тематической классификации спутниковых снимков в задачах дистанционного зондирования. Её результаты относятся к классам и данным EuroSAT; перенос на другие регионы, сенсоры или схемы классификации может потребовать дополнительной проверки или дообучения.

mHossain/bengali_pos_v1_400000 — модель токеновой классификации на базе ELECTRA, дообученная разработчиком на наборе данных pos_tag_100k. Она предназначена для автоматической разметки частей речи в текстах на бенгали. Модель содержит 137,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. На оценочной выборке указаны точность 0,8402 и F1 0,7843. Эти показатели относятся к описанному набору данных и не гарантируют такое же качество на других текстах. Лицензия и подробности об ограничениях в предоставленных данных не приведены.

Модель convnextv2_base-s2-v0.2.0 разработана командами TU Berlin, RSiM, DIMA, BigEarth и BIFOLD. Это модель классификации спутниковых изображений, обученная на наборе BigEarthNet v2.0 (reBEN) с использованием диапазонов Sentinel-2. Она предназначена для присвоения изображениям меток земного покрова и использования в задачах анализа данных дистанционного зондирования. В основе лежит архитектура ConvNeXt V2 Base. Опубликованные веса получены после 16 эпох обучения; в README приведены метрики на тестовом наборе BigEarthNet v2.0, включая macro F1 0,630 и micro F1 0,752. Для загрузки опубликованы веса в формате Safetensors, библиотека модели — configilm. Лицензия — MIT. Модель рассчитана на классификацию многоканальных изображений Sentinel-2. Для её применения нужны входные данные в совместимом формате и с соответствующими спектральными диапазонами; результаты за пределами BigEarthNet v2.0 и распределения данных Sentinel-2 отдельно не охарактеризованы.

smitmenon/e2m_endenoise_project — дообученная модель на базе facebook/mbart-large-50-one-to-many-mmt, созданная с использованием Transformers. Веса представлены в формате safetensors; модель содержит около 457,4 млн параметров и имеет контекст длиной до 1024 токенов. По названию проекта модель предназначена для удаления шума из текста, однако README не описывает предполагаемые сценарии и не уточняет, что именно считается шумом. Базовая mBART-50 выполняет перевод с английского на 49 языков, включая русский, но карточка не подтверждает, какие языковые возможности сохранены или изменены при дообучении этой версии. В README указан результат оценки Loss 0,3740, но датасет обозначен как None и подробности оценки отсутствуют. Лицензия в предоставленных данных не указана.

Moirai-1.1-R-small — версия модели прогнозирования временных рядов Moirai-1.0, представленная в обновлённом выпуске Moirai. Она предназначена для прогнозов по временным рядам; авторы сообщают об улучшении примерно на 20% по метрике NMAE на годовых и квартальных данных в оценке на 40 наборах Monash. В репозитории указано 12,4 млн параметров; веса доступны в формате Safetensors. Модель подходит для экспериментальной оценки прогнозирования низкочастотных временных рядов. Авторы сообщают, что выпуск предназначен для исследовательских целей и не оценивался для всех вариантов практического применения. Перед использованием в чувствительных сценариях требуется самостоятельно проверять точность и учитывать последствия ошибок. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

dastrix/polylane-roadway-yolo11l-seg — модель YOLO11l-seg, дообученная разработчиком dastrix на базе предобученной на COCO модели Ultralytics YOLO11 для сегментации дорожного покрытия на аэрофотоснимках и кадрах с дронов. Она выделяет асфальтированные улицы в городской и жилой застройке; модель распространяется в формате PyTorch и предназначена для запуска через библиотеку Ultralytics. Для обучения использовали около 2 973 кадров из шести видео с дрона, снятых в Кашкадарьинской области Узбекистана. Разметку автоматически создавали с помощью SAM 3. На отложенном видео mask mAP50 составила 0,604; автор сообщает, что визуальная оценка IoU обычно ближе к 0,70–0,80, поскольку дорожное покрытие представляет собой единую область, а не отдельные объекты. Лицензия — Apache-2.0. Модель рассчитана на жилые и сельские улицы, снятые с воздуха. Её обобщение на автомагистрали и съёмку с видеорегистратора не проверялось; часть обучающих масок содержит ошибки автоматической разметки, особенно на дальних кадрах, где крыши могут быть приняты за асфальт.