II.8Инженерия данных и аналитика

TIGER-speech-small — компактная модель разделения речи, разработанная исследователями Университета Цинхуа. Она принимает смешанную аудиозапись и разделяет перекрывающуюся речь на отдельные аудиосигналы, в том числе в условиях шума и реверберации. В архитектуре TIGER используются разделение частотных полос, многошкальное селективное внимание и внимание по полным частотным кадрам. Авторы описывают модель как эффективную по числу параметров и вычислительным затратам; в статье её оценивали на Libri2Mix, LRS2-2Mix и EchoSet. Модель предназначена для разделения речи нескольких говорящих в записях и акустических сценах. Карточка указывает английский язык, формат весов safetensors и лицензию Apache-2.0. В метаданных эта версия связана с базовой моделью JusperLee/TIGER-speech как дообученная; сведения о точном размере и длине контекста не приводятся.

TimeLens-8B — мультимодальная модель TencentARC для временной привязки событий в видео. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct с применением обучения с подкреплением по проверяемым наградам (RLVR) и набора данных TimeLens-100K. Модель принимает видео и текстовые запросы, а в ответ определяет временные фрагменты видео, соответствующие запросу. Модель предназначена для поиска событий и их временных границ в видео. В README заявлено, что среди открытых моделей она показывает передовые результаты на задачах временной привязки, однако сравнительная таблица в карточке опущена. Архитектура — плотная Qwen3-VL; веса опубликованы в формате safetensors. Для запуска README описывает использование Transformers и qwen-vl-utils. Указана лицензия other; её конкретные условия в предоставленных данных не раскрыты. Карточка ориентирована на английский язык. Отдельные показатели контекстной длины и ограничения модели в источниках не приведены.

JeremiahZ/TinyBERT_4L_zh_backup — резервная копия официального репозитория модели Tiny BERT 4L zh, доступная для загрузки через Transformers как BertModel. Это компактная модель семейства BERT с 12,6 млн параметров, предназначенная для извлечения признаков из текста. Карточка связывает её с китайским языком; максимальная длина контекста составляет 512 токенов. Модель можно применять как основу для получения контекстных представлений китайского текста в задачах NLP. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия и конкретные результаты оценки в предоставленных данных не описаны.

TIPSv2 g/14 — крупная контрастивная модель компьютерного зрения и языка от Google. Она формирует пространственно насыщенные признаки изображений и текстовые эмбеддинги, выровненные в общем пространстве, и предназначена, в частности, для классификации изображений по текстовым описаниям без дообучения. Модель использует визуальный энкодер ViT из 40 слоёв и текстовый Transformer из 12 слоёв; размер визуальной части — 1,1 млрд параметров, текстовой — 389 млн. Для изображений применяется разбиение на патчи 14×14 пикселей; вход можно масштабировать до произвольного разрешения и подавать в диапазоне [0, 1] без нормализации ImageNet. Текст обрабатывается токенизатором SentencePiece: строчные символы, до 64 токенов. Модель подходит для поиска соответствия между изображениями и текстовыми метками, а пространственные признаки также могут использоваться в сценариях сегментации. Карточка описывает семейство как контрастивное и показывает пример zero-shot-классификации. В репозитории указаны Transformers и формат safetensors. Лицензия — Apache-2.0. Ограничения: текстовый ввод ограничен 64 токенами; качество и перечень поддерживаемых языков в карточке не уточняются.

Vex-Amber-Mini — компактная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-0.6B. Она предназначена для генерации кода, продолжения текста и других лёгких задач обработки естественного языка; карточка приводит результат HumanEval Pass@1 20,12% для версии 1.0. Модель содержит около 507,9 млн параметров, поддерживает контекст до 40 960 токенов по метаданным, работает с Transformers и распространяется в формате safetensors. Модель принимает текст и генерирует текст. В README заявлено дообучение LoRA с возможностью полного дообучения весов, но метаданные подтверждают только связь с базовой моделью через finetune. Карточка указывает на английский язык. Компактный размер может ограничивать качество на сложных задачах, а специализированные применения могут требовать дополнительной настройки. Лицензия — Apache-2.0.

ViGOS-7B — мультимодальная модель для анализа изображений, разработанная на основе Qwen/Qwen2.5-VL-7B-Instruct с помощью метода дообучения Visual Grounding On-Policy Self-Distillation. Она принимает изображение и вопрос или инструкцию, а затем формирует описание визуальных свидетельств, рассуждение и итоговый ответ. Учителя и эталонные ответы используются при обучении, но не нужны во время генерации. Модель предназначена для исследований и разработки в задачах визуальных вопросов и ответов, математических задач по изображениям и диаграммам, OCR и анализа графиков, пространственных рассуждений и визуального заземления. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; контекст — до 128 000 токенов. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. ViGOS нацелена на снижение зависимости от языковых подсказок и повышение опоры на визуальные данные. Модель может выдавать правдоподобные, но ошибочные описания и рассуждения; она не должна быть единственным основанием для решений с высокими ставками. В оценке для бенчмарков итоговый ответ извлекается из последнего блока \boxed{...}, поэтому ответы без такого формата могут не засчитываться.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная для библиотеки timm. Вариант использует патчи 16×16, регистровый токен, глобальное усреднение признаков и дифференциальное внимание; число параметров — 22,5 млн, вычислительная сложность — 6,3 GMACs. Модель рассчитана на изображения размером 256×256 и обучена на ImageNet-1k. Модель можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса в формате safetensors, библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Показатели сравнения в карточке относятся к другим, более крупным моделям, поэтому их нельзя считать оценкой качества этого варианта. Для практического использования изображения следует подавать с предусмотренной для модели предобработкой.

timm/vit_small_patch16_224.dino — модель извлечения признаков изображений на основе Vision Transformer (ViT), разработанная командой timm. Она обучена методом самообучения DINO на ImageNet-1k и может использоваться как визуальный backbone для получения эмбеддингов и как основа для классификации изображений. Архитектура ViT-Small обрабатывает изображения размером 224 × 224 пикселя; модель содержит около 21,7 млн параметров и требует 4,3 GMACs на проход. Модель подходит для построения эмбеддингов изображений, поиска похожих изображений и задач классификации с отдельной классификационной головой. Репозиторий содержит веса PyTorch и SafeTensors; доступна библиотека timm. Лицензия — Apache-2.0. Модель работает с изображениями и сама по себе не предназначена для понимания или генерации текста.

Whisper-Small-Kinyarwanda — модель mbazaNLP на архитектуре Whisper Small от OpenAI, дообученная для распознавания речи на киньяруанда на данных Mozilla Common Voice 11.0. Поддержка киньяруанда добавлена дообучением поверх суахили; модель предназначена для преобразования аудиозаписей на этом языке в текст и размечена для автоматического распознавания речи. В карточке указана оценка 24 WER. Модель не выполняет перевод с киньяруанда на английский. Базовая модель Whisper Small мультиязычна и поддерживает транскрибирование речи и перевод аудио на английский, но это дообучение не заявляет такую возможность для киньяруанда. Репозиторий использует формат PyTorch и лицензию CC.

Модель xlsr-1b-mizonal3-E5-lus-v2026.06 разработана Andrew Bawitlung и дообучена на базе facebook/wav2vec2-xls-r-1b для автоматического распознавания речи на языке Lus. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; при обучении применялась комбинация аугментаций: добавление фонового шума, изменение скорости речи и SpecAugment. Модель предназначена для преобразования аудиозаписей речи в текст. В README приведены результаты на оценочной выборке: WER 26,3669, CER 5,7509 и real-time factor 0,0038. Модель опубликована под лицензией Apache-2.0. В README указано, что подробности эксперимента и публикации находятся на рецензировании.

AST-T5 — модель семейства T5, разработанная Линьюанем Гуном, Мостафа Эльхуши и Элвином Чунгом для генерации и понимания кода. Она предварительно обучена с учётом структуры кода и рассчитана на задачи, где входом служат, например, сигнатура функции или комментарий, а результатом — продолжение или преобразование кода. Модель содержит 176,9 млн параметров, использует архитектуру FairseqT5 и доступна в формате Safetensors. Это не instruct-модель: она лучше работает с конкретными подсказками, связанными с кодом, чем с общими инструкциями на естественном языке. Репозиторий распространяется по лицензии MIT.

Avey-B Urdu 25M — компактный энкодер для языка урду, разработанный и обученный с нуля для masked language modeling на корпусе HPLT 3.0 Urdu. Модель имеет архитектуру Avey-B и 24,87 млн параметров; это не чат-модель и не генератор свободного текста. Для загрузки в Transformers требуется доверенный пользовательский код (`trust_remote_code=True`).

Banaxi-Tech разработала BananaMind 2.1 NanoCoder — компактную авторегрессионную языковую модель для генерации кода. По README, в ней около 9,9 млн параметров: 7,98 млн параметров трансформера и отдельная память на биграммах и четырёхграммах. Архитектура использует 8 физических слоёв, а средний стек весов применяется повторно, обеспечивая 11 проходов; контекст — 4096 токенов. Модель обучена на смеси The Stack v3 и FineWeb-Edu объёмом 30 млрд токенов. Она предназначена для генерации кода и работы с текстом программ, включая комментарии и имена. Метаданные указывают английский язык, поддержку кода и формат safetensors. Модель принимает текст и генерирует текст. Репозиторий распространяется по лицензии Apache-2.0. Небольшой размер может ограничивать качество и охват задач по сравнению с крупными кодовыми моделями; README не приводит результатов оценки качества или перечня поддерживаемых языков программирования.

BanglaBERT — предварительно обученный дискриминатор ELECTRA, разработанный командой CSE BUET для обработки текста на бенгальском языке. Модель содержит 137,8 млн параметров, использует цель обучения Replaced Token Detection (RTD) и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch. Чекпойнт предназначен прежде всего для дообучения под задачи классификации тональности, распознавания именованных сущностей, вывода на естественном языке и ответов на вопросы. Прикладные модели на его основе показывали высокие результаты на ряде бенгальских NLP-задач. Для лучших результатов текст нужно нормализовать тем же конвейером, который использовался при предобучении; после этого модельные представления можно применять в задачах классификации и разметки. Лицензия в предоставленных данных не указана.

BEiT Large — модель классификации изображений Microsoft на основе Vision Transformer с трансформерным энкодером. Она предварительно обучена на ImageNet-21k методом самоконтролируемого обучения с предсказанием визуальных токенов для скрытых патчей, а затем дообучена для классификации изображений на ImageNet-22k. Размер модели — 411 млн параметров; изображения обрабатываются при разрешении 224×224 пикселя как патчи 16×16. В архитектуре используются относительные позиционные эмбеддинги, а представление изображения формируется усреднением состояний патчей. Модель предназначена для присвоения изображениям классов ImageNet и может служить энкодером признаков для обучения классификаторов на размеченных наборах изображений. Она рассчитана на входные изображения и выдаёт метки классов. Карточка описывает обучение на наборах ImageNet, поэтому качество на других предметных областях зависит от данных и настройки. Лицензия — Apache-2.0.

KLUE BERT base — предварительно обученная трансформерная языковая модель семейства BERT для корейского языка, разработанная в рамках проекта Korean Language Understanding Evaluation (KLUE). Это плотная модель с архитектурой BertForMaskedLM, содержащая 137,8 млн параметров и обрабатывающая последовательности длиной до 512 токенов. Основной сценарий по метаданным — заполнение пропусков в тексте; после дообучения модель также может применяться для классификации тем, оценки семантического сходства, вывода на естественном языке и распознавания именованных сущностей. Для токенизации используется словарь из 32 тысяч единиц, построенный с морфемной сегментацией и BPE. Модель обучена на разнообразных корейских корпусах, включая новости, веб-тексты, энциклопедические материалы и диалоги, и оценивалась на задачах бенчмарка KLUE. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — CC-BY-SA-4.0. Качество и фактическая точность не гарантируются: модель может отражать смещения и проблемы конфиденциальности, связанные с обучающими данными. Для задач классификации, NER и других сценариев, кроме заполнения пропусков, обычно требуется соответствующая задача-ориентированная голова или дообучение.

Карточка модели dkleczek/bert-base-polish-cased-v1 на Hugging Face совпадает с карточкой dkleczek/bert-base-polish-uncased-v1, поэтому описание составлено по ней. dkleczek/bert-base-polish-uncased-v1 — uncased польская языковая модель BERT, созданная Дареком Клечеком (Darek Kłeczek). Она предназначена для заполнения замаскированных фрагментов текста и дальнейшего дообучения для задач понимания польского языка. Модель основана на архитектуре BERT с 12 слоями, размерностью скрытого состояния 768 и 12 головами внимания; метаданные указывают 159,3 млн параметров и контекст до 512 токенов. Доступны веса PyTorch и Flax. Модель обучалась на польских текстах из Open Subtitles, ParaCrawl и Польского парламентского корпуса. Автор отмечает, что в uncased-варианте некоторые польские символы и диакритические знаки могут некорректно обрабатываться токенизатором после приведения к нижнему регистру; это может особенно влиять на классификацию токенов. Обучающий корпус Open Subtitles также содержал много дубликатов, а обучение не использовало Whole Word Masking. Автор рекомендует cased-вариант. В карточке не указана лицензия.

boltuix/bert-small — компактная англоязычная модель BoltUIX на архитектуре BERT, дообученная на основе google/bert-base-uncased. Модель с 12 млн параметров использует двунаправленный трансформер и подходит для заполнения пропусков в тексте; её также можно дообучать для классификации последовательностей и токенов, ответов на вопросы и распознавания текстовых отношений. Максимальная длина контекста — 512 токенов. Модель обучалась на английских текстах из BookCorpus и Wikipedia с задачами masked language modeling и next sentence prediction. В README заявлены оценки на GLUE, включая SST-2 и QNLI, а также компактный размер около 45 МБ. Она предназначена для англоязычных NLP-сценариев и не рассчитана на генерацию связного текста или работу с другими языками без существенного дообучения. Лицензия — MIT.

Карточка модели google/bert_uncased_L-10_H-768_A-12 на Hugging Face совпадает с карточкой google/bert_uncased_L-2_H-128_A-2, поэтому описание составлено по ней. google/bert_uncased_L-2_H-128_A-2 — компактная англоязычная модель BERT Miniatures от Google, описанная в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Это BERT с 2 слоями и скрытым размером 128; модель содержит около 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с маскированием WordPiece и предназначена для сред с ограниченными вычислительными ресурсами. Модель можно дообучать для задач понимания текста, таких как классификация и оценка сходства предложений. Авторы отмечают, что компактные модели особенно эффективны при дистилляции, когда метки для дообучения генерирует более крупная и точная модель-учитель. Доступны веса PyTorch, Flax и Safetensors. Модель рассчитана на английский язык. Её компактность снижает требования к вычислительным ресурсам, но качество может уступать более крупным моделям, а для прикладных задач обычно требуется дообучение или дистилляция. Лицензия — Apache-2.0.

Карточка модели google/bert_uncased_L-12_H-512_A-8 на Hugging Face совпадает с карточкой google/bert_uncased_L-2_H-128_A-2, поэтому описание составлено по ней. google/bert_uncased_L-2_H-128_A-2 — компактная англоязычная модель BERT Miniatures от Google, описанная в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Это BERT с 2 слоями и скрытым размером 128; модель содержит около 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с маскированием WordPiece и предназначена для сред с ограниченными вычислительными ресурсами. Модель можно дообучать для задач понимания текста, таких как классификация и оценка сходства предложений. Авторы отмечают, что компактные модели особенно эффективны при дистилляции, когда метки для дообучения генерирует более крупная и точная модель-учитель. Доступны веса PyTorch, Flax и Safetensors. Модель рассчитана на английский язык. Её компактность снижает требования к вычислительным ресурсам, но качество может уступать более крупным моделям, а для прикладных задач обычно требуется дообучение или дистилляция. Лицензия — Apache-2.0.

Карточка модели google/bert_uncased_L-2_H-768_A-12 на Hugging Face совпадает с карточкой google/bert_uncased_L-2_H-128_A-2, поэтому описание составлено по ней. google/bert_uncased_L-2_H-128_A-2 — компактная англоязычная модель BERT Miniatures от Google, описанная в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Это BERT с 2 слоями и скрытым размером 128; модель содержит около 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с маскированием WordPiece и предназначена для сред с ограниченными вычислительными ресурсами. Модель можно дообучать для задач понимания текста, таких как классификация и оценка сходства предложений. Авторы отмечают, что компактные модели особенно эффективны при дистилляции, когда метки для дообучения генерирует более крупная и точная модель-учитель. Доступны веса PyTorch, Flax и Safetensors. Модель рассчитана на английский язык. Её компактность снижает требования к вычислительным ресурсам, но качество может уступать более крупным моделям, а для прикладных задач обычно требуется дообучение или дистилляция. Лицензия — Apache-2.0.

AmberYifan/capsd-marin-8b-base-code_ifd_b14000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста; в метаданных также отмечена возможность диалогового взаимодействия. Модель обучалась на наборе capsd_marin-8b-base-n80000-opc__mix_code_ifd_b14000_s0, название которого указывает на примесь кода в данных, но карточка не описывает конкретные возможности модели. Модель принимает текст и генерирует текст. Длина контекста составляет 4096 токенов. Базовая Marin 8B Base описана как англоязычная, однако сведения README не подтверждают отдельно языки или качество этой версии. Лицензия указана как other; конкретные условия использования в карточке не приведены.

categorai23cats — дообученная модель DistilBERT для классификации текстов по 23 категориям. Она основана на distilbert-base-uncased и предназначена для присвоения тексту категории в сценариях, где набор классов заранее определён. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов. В README указаны результаты оценки: accuracy 0,7426 и loss 1,6794. Названия категорий и данные о наборе обучения не приведены, поэтому применимость к конкретной тематике неясна. Модель распространяется по лицензии Apache-2.0.

cd4 — дообученная модель на 1,3 млрд параметров, созданная на основе deepseek-ai/deepseek-coder-1.3b-base на датасете generator. Это плотная авторегрессионная модель семейства Llama для генерации текста; базовая модель предназначена для продолжения, автодополнения и заполнения пропусков в коде, поэтому cd4 может использоваться для экспериментов с генерацией кода и текстовых продолжений. Модель принимает текст и выдаёт текст, поддерживает контекст до 16 384 токенов и опубликована в формате Safetensors. README не описывает конкретные целевые сценарии, результаты оценки или особенности обучения сверх указания датасета. Лицензия указана как other, поэтому условия применения следует сверить с файлами репозитория и лицензией базовой модели.

CoCoSoDa — модель кодировщика для семантического поиска по коду, разработанная DeepSoftwareAnalytics. Она дообучает предварительно обученный RoBERTa-кодировщик кода и запросов с помощью мультимодального контрастивного обучения и мягкого расширения данных. Отдельные momentum-кодировщики обрабатывают текущие и предыдущие мини-пакеты, обогащая набор отрицательных примеров; целевая функция сближает представления соответствующих запросов и фрагментов кода и разделяет нерелевантные. Модель содержит 152,8 млн параметров, использует архитектуру RoBERTa и доступна в формате PyTorch. Она преобразует текстовые запросы на естественном языке и фрагменты кода в векторы для поиска соответствий. В карточке описан сценарий поиска кода по запросу; сведения о лицензии и конкретных поддерживаемых языках программирования не приведены.

TULLUS публикует конверсию модели CodeParrot Small Multi в формате Safetensors с точностью F32. Это компактная авторегрессионная языковая модель GPT-2, предназначенная для продолжения кода по заданному префиксу, а не для диалогов и выполнения инструкций. По карточке, исходная модель обучалась на очищенном коде GitHub и охватывает Java, JavaScript, PHP, Python, C#, C++, Go, Ruby и TypeScript. Контекст составляет 1024 токена. Конверсия сохраняет обученные значения весов исходного чекпойнта; README сообщает о точном совпадении тензоров и логитов на трёх проверенных запросах. Модель может предлагать продолжения функций и файлов, но для этого конкретного мультиязычного чекпойнта численные результаты HumanEval не опубликованы. Это устаревшая компактная базовая модель для экспериментов, а не готовый помощник по программированию; сгенерированный код нужно проверять и тестировать. Лицензия — Apache-2.0.

C-RADIOv4-H — модель извлечения визуальных признаков, разработанная NVIDIA. Она построена на архитектуре Vision Transformer и содержит 653 млн параметров. Модель принимает RGB-изображения и возвращает тензоры эмбеддингов: сводный вектор для представления изображения целиком и пространственные признаки для локальных участков изображения. Эмбеддинги предназначены для использования в последующих моделях и приложениях. Их можно применять для классификации и отбора изображений, семантической сегментации, оценки глубины и интеграции в модели «зрение—язык». Модель обучена с использованием SigLIP2-g, DINOv3-7B и SAM3; поддерживает изображения разрешением до 2048×2028 с шагом 16 пикселей. Для практического использования требуется downstream-модель, а NVIDIA оптимизирует запуск на GPU-ускоренных системах. README указывает, что модель доступна для коммерческого и некоммерческого использования; ограничения использования определяются NVIDIA Open Model License Agreement. Для конкретного сценария перед развертыванием нужны тестирование и проверка на соответствующих данных.

Dasheng-1.2B — универсальный аудиоэнкодер семейства Dasheng, обученный методом самообучения на 272 356 часах разнообразного аудио. Модель содержит 1,2 млрд параметров и предназначена для извлечения представлений звука, которые можно использовать в задачах классификации речи, музыки и окружающих звуков. Энкодер показал улучшенные результаты на бенчмарке HEAR и сильные результаты на CREMA-D, LibriCount, Speech Commands и VoxLingua, а также хорошо справляется с классификацией музыки и звуков среды. README демонстрирует настройку линейной классификационной головы на ESC-50 при замороженном энкодере. Модель принимает аудио и предназначена для получения признаков, пригодных для последующей классификации; поддерживаемая в каталоге задача — audio-classification. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

DeltaP2S-Llama2-13B-P2S-CodeLlama7B-SameFormula — объединённый чекпойнт эксперимента Delta-P2S, опубликованный g-assismoraes. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, предназначенная для генерации текста; в карточке указана архитектура LlamaForCausalLM и библиотека Transformers. Модель принимает текст и генерирует текст, а заявленная длина контекста составляет 4096 токенов. README связывает чекпойнт с экспериментом Delta-P2S и указывает обучающую базу CodeLlama для формулы SameFormula. Это позволяет рассматривать модель как экспериментальный производный чекпойнт для генерации кода или текста по запросу. Файлы опубликованы в формате safetensors. Лицензия в доступных сведениях не указана, поэтому условия использования определить нельзя. Карточка не описывает качество, результаты оценки или конкретные языки; эти характеристики не следует считать подтверждёнными.

facebook/detr-resnet-101-dc5 — модель обнаружения объектов, разработанная командой Facebook и основанная на архитектуре DETR с backbone ResNet-101 и расширенной пятой стадией C5. Это энкодер-декодерный трансформер с CNN-backbone: объектные запросы предсказывают классы объектов и ограничивающие рамки. Модель обучена на COCO 2017 и рассчитана на поиск объектов на изображениях; для COCO используется 100 объектных запросов. Модель можно применять для обнаружения и локализации объектов на фотографиях, например в системах визуального анализа. В README указана средняя точность AP 44,9 на валидационной выборке COCO 2017. Для обработки изображения требуется масштабирование так, чтобы короткая сторона была не меньше 800 пикселей, а длинная — не больше 1333, с нормализацией RGB-каналов по статистикам ImageNet. Модель распространяется по лицензии Apache-2.0.