II.8Инженерия данных и аналитика

SEW-tiny — предварительно обученная речевая модель архитектуры Squeezed and Efficient Wav2vec от ASAPP Research. Она предназначена для извлечения признаков из аудио и последующей настройки под прикладные задачи: распознавание речи, идентификацию говорящего, классификацию намерений и распознавание эмоций. Модель содержит 50,3 млн параметров и обучена на речевом аудио с частотой дискретизации 16 кГц; для работы входное аудио также должно иметь частоту 16 кГц. SEW разработана как более эффективная альтернатива wav2vec 2.0: в описанном исследовании архитектура показала ускорение инференса и снижение частоты ошибок слов на LibriSpeech. Эта карточка представляет базовую модель, которую следует дообучить для выбранной задачи; готовая транскрипция или классификация напрямую не заявлена. Модель доступна по лицензии Apache-2.0.

Skywork-Reward-V2-Llama-3.2-3B — модель оценки предпочтений (reward model), разработанная Skywork и основанная на Meta Llama 3.2 3B Instruct. Она оценивает ответы в диалогах, присваивая им оценку вознаграждения, и предназначена для ранжирования вариантов ответа, отбора результатов генерации и оценки качества диалоговых моделей. Модель использует архитектуру LlamaForSequenceClassification с 3,2 млрд параметров и контекстом до 131072 токенов; веса доступны в формате safetensors. Модель обучена как часть серии Skywork-Reward-V2 на смеси из 26 млн пар предпочтений, подготовленных с участием людей и языковых моделей. В README сообщается о высоких результатах серии на бенчмарках reward-моделей, однако отдельные показатели именно варианта 3B не приведены. Модель принимает текстовые диалоги и выдаёт оценку; это не генеративная модель для создания ответов. Лицензия — Llama 3.2, условия которой следует соблюдать при использовании.

cardiffnlp/twitter-roberta-base-2022-154m — англоязычная модель RoBERTa-base от Cardiff NLP, обученная на 154 млн твитов, опубликованных с января 2018 года по декабрь 2022 года. Это версия с полным обновлением обучения от исходного чекпойнта, а не инкрементальным обновлением. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Основная задача — предсказывать пропущенные токены в тексте (fill-mask). Модель также подходит для получения представлений твитов, как показано в карточке. Перед использованием текста README рекомендует заменять имена пользователей и ссылки на маркеры @user и http, соответствующие предобработке обучающих данных. Модель ориентирована на англоязычные публикации в Twitter; более крупная модель, обученная на тех же данных, доступна отдельно. Веса опубликованы в формате PyTorch по лицензии MIT. Специализация на твитах и временном диапазоне до конца 2022 года ограничивает переносимость на другие жанры и более новые языковые тенденции.

Модель mo-thecreator/vit-Facial-Expression-Recognition — дообученная версия Vision Transformer ViT-Base от Google для классификации выражений лица по изображениям. Она содержит 113,2 млн параметров и принимает изображения, предварительно изменённые по размеру и нормализованные. Модель предназначена для распознавания семи категорий: злость, отвращение, страх, радость, грусть, удивление и нейтральное выражение. Она обучена на наборах FER2013, MMI Facial Expression Database и AffectNet; в карточке указаны точность 0,8434 и loss 0,4503 на оценочной выборке. Результаты относятся к оценке на указанных данных и сами по себе не гарантируют аналогичное качество на изображениях из других условий или групп людей. Карточка не сообщает условия лицензии.

Volleyball person + ball detector — модель обнаружения объектов на основе D-FINE-S, дообученная grdesignbuild для волейбольных видеозаписей. Она находит два класса: людей и волейбольные мячи; различать игроков, судей, тренеров и зрителей модель не умеет. Модель предназначена для автоматического поиска игровых моментов в приложении для записей матчей и может использоваться для подсчёта и локализации людей и мяча в кадрах. Модель имеет около 10 млн параметров и принимает изображения. Для кадров до 1080p рекомендуется обрабатывать целиком; для 4K README советует нарезать кадр на перекрывающиеся тайлы примерно по 860 пикселей, выполнить дополнительный проход по полному кадру и объединить результаты с помощью NMS. Для видео с камеры за лицевой линией указаны тайлы около 640 пикселей. Обучение проводилось на матчах и тренировках одного клуба, с разных площадок и камерных ракурсов; человек размечен псевдометками, метки мяча проверялись вручную. Лицензия — Apache-2.0. Сильная сторона модели — обнаружение небольшого мяча и людей в волейбольных кадрах, включая съёмку с судейской вышки и из-за лицевой линии. По README, на отложенных записях с судейской камеры она сохранила семь корректных обнаружений мяча из семи заявок в выборке из 24 кадров. Результаты могут быть хуже на трансляциях и при иных ракурсах; частые пропуски связаны с сильным смазыванием мяча, а мячи на соседних площадках и в тележках тоже обнаруживаются. Для выбора игроков по зоне площадки нужна дополнительная фильтрация.

Это модель классификации аудио на базе wav2vec 2.0, разработанная автором репозитория rishabhsabnavis и дообученная на датасете GTZAN поверх facebook/wav2vec2-base. Она предназначена для отнесения аудиозаписей к музыкальным жанрам. На оценочном наборе GTZAN указана точность 0,84 и значение функции потерь 1,4712. Модель содержит 113,3 млн параметров, сохранена в формате Safetensors и использует библиотеку Transformers. Модель принимает аудио и выдаёт метку класса. Репозиторий распространяется по лицензии Apache 2.0. Карточка не приводит подробностей о составе классов, длительности и подготовке аудио, поэтому результаты за пределами оценки на GTZAN не установлены.

KBLab разработала wav2vec 2.0 large VoxRex-C — акустическую модель на архитектуре wav2vec2 с 402,7 млн параметров, предварительно обученную без учителя на 10 000 часах шведского местного радио и 1 500 часах аудиокниг и других речевых записей из коллекций KB. Модель обучалась 400 000 шагов и предназначена для работы с аудио на шведском языке. Её можно использовать для продолжения предварительного обучения на собственных неразмеченных аудиоданных или как извлекатель признаков при настройке downstream-задач, например для обучения собственного CTC-слоя или классификатора аудио. Веса представлены в формате PyTorch и доступны по лицензии CC0 1.0. В репозитории нет CTC-слоя, поэтому сама модель не преобразует речь в текст. README характеризует её как находящуюся в разработке; качество для конкретных задач может зависеть от последующего дообучения.

Ben0ni/xlmroberta-ner-prostata-bs8 — дообученная модель XLM-RoBERTa-base для распознавания именованных сущностей в текстах о простате. Она выполняет пок токенную классификацию и предназначена для извлечения и разметки упоминаний, связанных с простатой. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст с контекстом до 514 токенов. В README приведены результаты оценки: precision 0,9673, recall 0,9726 и F1 0,9699; датасет обучения и конкретные классы сущностей не раскрыты. Базовая модель — FacebookAI/xlm-roberta-base. Лицензия — MIT.

Модель nickmuchi/yolos-small-finetuned-license-plate-detection — дообученная версия YOLOS-small, разработанная автором репозитория на базе hustvl/yolos-small. Она предназначена для обнаружения автомобильных номерных знаков на изображениях и возвращает ограничивающие рамки объектов. YOLOS использует архитектуру Vision Transformer и подход DETR; в модели 28,3 млн параметров. Модель обучалась 200 эпох на наборе license-plate-recognition от Roboflow, содержащем 5 200 обучающих и 380 валидационных изображений. В карточке приведены показатели AP 49,0 при IoU 0,50–0,95 и AP 79,2 при IoU 0,50. Это специализированный детектор: карточка не описывает распознавание символов на номере, поэтому для чтения номера потребуется отдельный OCR-компонент. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

YOLOv26m-sportsmot-football — модель семейства YOLOv26m, дообученная на наборе SportsMOT для обнаружения футболистов и их отслеживания в трансляциях футбольных матчей. Она предназначена для анализа broadcast-видео и сценариев спортивной аналитики. Модель использует архитектуру YOLO и библиотеку Ultralytics; опубликованные веса представлены в формате PyTorch. В README приведены результаты на валидационной выборке: mAP50 0,9705, mAP50-95 0,8377, precision 0,9395 и F1-score 0,94 при пороге уверенности 0,528. Репозиторий предоставляет модель для задачи обнаружения объектов; отслеживание описано как целевой сценарий её применения. Лицензия — Apache-2.0.

keremberke/yolov8m-pothole-segmentation — модель компьютерного зрения на базе YOLOv8m, опубликованная пользователем keremberke. Она выполняет сегментацию изображений, выделяя на них выбоины; в карточке указан единственный класс: pothole. Модель предназначена для анализа дорожных фотографий и автоматического обнаружения участков с выбоинами. Модель опубликована в формате PyTorch и использует библиотеку Ultralytics. Карточка указывает набор данных keremberke/pothole-segmentation и инструкцию по использованию через ultralyticsplus. Ограничения и лицензия в предоставленных данных не описаны.

Aleris X3D Violence Detector — модель компьютерного зрения для классификации видео на насильственные и ненасильственные. Её разработал Mostafa Alazzaly в рамках Aleris Graduation Project. Модель сочетает X3D-M для извлечения пространственно-временных признаков видео и ResNet18 для дополнительных визуальных признаков; объединённые признаки поступают в классификационную голову. Для обработки используются 16 RGB-кадров размером 224 × 224. В репозитории представлены веса PyTorch и экспорт в ONNX. Модель предназначена для видеонаблюдения, анализа записей и автоматического выявления инцидентов; пользовательский результат — одна из двух меток: Non-Violent или Violent. Модель распространяется по лицензии Apache-2.0. Она обучена на пользовательском наборе размеченных насильственных и ненасильственных видео. Описание не приводит количественных оценок качества или сведений о проверке на разных условиях съёмки, поэтому надёжность классификации в конкретной среде требует отдельной оценки.

Модель Joshuajdarby/ast-finetuned-audioset-10-10-0.4593-finetuned-gtzan — дообученная на наборе GTZAN модель MIT/ast-finetuned-audioset-10-10-0.4593 для классификации аудио. Она использует архитектуру Audio Spectrogram Transformer на основе Vision Transformer и содержит 113,2 млн параметров. Модель предназначена для распознавания музыкальных жанров по аудиозаписям. В README указаны accuracy 0,91 и loss 0,4138 на оценочной выборке; эти результаты относятся к указанной оценке и не гарантируют качество на других данных. Модель распространяется по лицензии BSD-3-Clause.

LVanesa/ast-finetuned-gtzan — модель классификации аудио, дообученная на наборе GTZAN на базе MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer (AST), основанную на Vision Transformer, и содержит 113,2 млн параметров. Модель предназначена для классификации музыкального аудио; на оценочной выборке GTZAN указаны loss 0,3877 и accuracy 0,9164. Модель принимает аудио и выдаёт метку класса. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — BSD 3-Clause. Карточка не описывает подробные ограничения и не приводит сведения о поддерживаемых языках.

Модель dima806/beard_face_image_detection разработана пользователем Hugging Face dima806 для определения наличия бороды на изображении лица. Это классификатор изображений на базе Vision Transformer ViT-Base/16, дообученный на модели google/vit-base-patch16-224-in21k; он содержит около 113,2 млн параметров и доступен в форматах PyTorch и Safetensors. Модель относит изображение к одному из двух классов: Beard или No Beard. В README приведён отчёт с точностью 100% на тестовой выборке из 68 изображений, поровну распределённых между классами; такой небольшой результат не гарантирует аналогичного качества на других данных. Для использования модели нужна лицензия Apache-2.0.

CKIP BERT Base Chinese — разработанная CKIP базовая модель BERT для работы с традиционным китайским языком. В репозитории представлена модель класса BertForMaskedLM с примерно 129,5 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Flax. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может служить базой для задач обработки китайского текста. Проект CKIP также включает другие модели и инструменты для сегментации слов, определения частей речи и распознавания именованных сущностей, но README не подтверждает, что именно этот чекпойнт выполняет эти задачи. Для токенизации рекомендуется BertTokenizerFast. Модель выпущена под лицензией GPL-3.0. Поддерживаемый язык — традиционный китайский; заявленная задача и архитектура соответствуют заполнению маскированных токенов.

CeLLaTe-ner-3class-pubmedbert-baseline — модель для разметки токенов, дообученная OTAR3088 на наборе данных OTAR3088/CeLLaTe-ner-3class-iob_final. В её основе — англоязычная BERT-модель microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, адаптированная для биомедицинских текстов. Модель содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает контекст длиной до 512 токенов. Карточка приводит результаты на оценочном наборе: micro F1 0,7671, weighted F1 0,7667, macro F1 0,7626 и accuracy 0,9829. Название указывает на трёхклассовую NER-разметку, однако карточка не описывает классы меток и не уточняет конкретные сущности; поэтому применение следует сверять с разметкой обучающего набора. Лицензия — Apache-2.0.

Clamifision-v1 — англоязычный бинарный классификатор медицинских и немедицинских текстов, разработанный Bindupautra Jyotibrat и опубликованный аккаунтом BJyotibrat. Модель дообучена на базе encoder-only ModernBERT-base и использует классификационную голову с двумя метками: медицинская тематика и немедицинская тематика. В репозитории указано 149 млн параметров, контекст до 8192 токенов и формат safetensors; в описанном обучении тексты обрезались до 256 токенов. Модель предназначена для предварительной фильтрации текста и маршрутизации медицинских запросов к специализированным моделям семейства BotMed. Она обучалась на сбалансированном наборе примерно из 40 тысяч примеров из медицинских и немедицинских источников; в медицинскую часть включены как формальные материалы, так и вопросы пациентов и шаблонные разговорные запросы. Лицензия — GPL-3.0. Классификатор определяет только тематику текста: он не оценивает достоверность медицинских сведений, не ставит диагнозы и не рекомендует лечение. Авторы отмечают риск снижения качества на коротких, неформальных запросах от первого лица. Приведённые метрики получены для более ранней версии модели и не подтверждены для опубликованного чекпойнта; перед использованием следует отдельно оценить качество на целевых данных.

NicolasDenier/distilhubert-finetuned-gtzan — модель классификации аудио, созданная дообучением ntu-spml/distilhubert на датасете GTZAN. Она основана на HuBERT и содержит 18,9 млн параметров; карточка сообщает точность 0,91 и loss 0,3539 на оценочной выборке. Модель предназначена для отнесения музыкальных аудиозаписей к жанрам GTZAN. Модель принимает аудио и выдаёт метку класса. Репозиторий использует формат PyTorch, лицензия — Apache-2.0. Результаты приведены для оценочной выборки GTZAN; карточка не описывает качество на других музыкальных коллекциях и сценариях.

timm/dpn68.mx_in1k — модель классификации изображений на архитектуре DPN (Dual-Path Network). Её обучили авторы статьи на ImageNet-1k в MXNet, затем Ross Wightman перенёс веса в PyTorch; репозиторий поддерживает загрузку через timm и содержит веса в форматах PyTorch и safetensors. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения признаков и эмбеддингов изображений. В ней 12,6 млн параметров; указанное разрешение входного изображения — 224 × 224 пикселя. Обучение на ImageNet-1k делает её пригодной для задач распознавания объектов из набора классов ImageNet и для получения визуальных признаков. Лицензия репозитория — Apache-2.0.

Это сверточная модель EfficientNet-B1 для классификации изображений и извлечения признаков. Её обучил Росс Уайтман с помощью timm на ImageNet-1k; при обучении использовались гиперпараметры, вдохновлённые MobileNet-V4 Small и рецептами timm и «ResNet Strikes Back». Модель содержит около 7,8 млн параметров и выполняет примерно 0,7 GMAC на изображение. Модель предназначена для определения объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Размер изображения при обучении составлял 240 × 240 пикселей, при оценке — 288 × 288. Для использования доступны веса PyTorch и safetensors; модель работает с библиотекой timm. Распространяется по лицензии Apache-2.0.

EVA Large Patch14 196 — модель компьютерного зрения для классификации изображений и получения визуальных признаков. Чекпойнт опубликован авторами paper EVA и предоставлен в библиотеке timm; он содержит около 304,1 млн параметров и рассчитан на изображения размером 196 × 196 пикселей. Модель предварительно обучена на ImageNet-22k с помощью masked image modeling, где EVA-CLIP использовалась как учитель, а затем дообучена на ImageNet-22k и ImageNet-1k. Её можно применять для отнесения изображений к классам и как визуальный backbone для извлечения признаков. В карточке приведены метрики классификации на ImageNet-1k и пример получения эмбеддингов. Чекпойнт распространяется в формате PyTorch/safetensors под лицензией MIT. В репозитории timm веса сохранены в float32; оригинальные версии некоторых чекпойнтов доступны в float16 или bfloat16. Работа модели описана для классификации изображений, поэтому точность и пригодность для других наборов данных или задач следует проверять отдельно.

sudo-s/exper_batch_8_e8 — модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16 и размером около 113,2 млн параметров. Она дообучена на наборе данных sudo-s/herbier_mesuem1; разработчик сообщает точность 0,9052 и значение функции потерь 0,4608 на оценочной выборке. Модель предназначена для классификации изображений в соответствии с категориями обучающего набора и может использоваться для автоматической сортировки похожих изображений. Опубликована в формате PyTorch по лицензии Apache-2.0. Подробности о классах, ограничениях и условиях оценки в карточке не раскрыты.

Fashion Attribute Lab — экспериментальная модель компьютерного зрения для извлечения атрибутов одежды с изображений товаров. Она дообучена на базе CLIP ViT-B/32 от OpenAI и использует семь специализированных классификационных головок, статистики цвета HSV и RGB, пространственные цветовые признаки и связи между уровнями иерархии категорий. Модель предсказывает целевую категорию товара по полу, основную категорию, подкатегорию, тип изделия, основной цвет, сезон и назначение. Модель рассчитана на эксперименты с классификацией модных товаров, анализ многозадачного обучения, цветовых признаков и аугментации при инференсе. Она обучена на наборе ashraq/fashion-product-images-small; в README указаны средняя точность 87,87% по семи атрибутам и задержка 12,92 мс на изображение на NVIDIA Tesla P100 с включённой аугментацией при инференсе. Это экспериментальный чекпойнт, а не основная производственная модель; для загрузки требуется пользовательская архитектура PyTorch и код проекта. Лицензия в предоставленных данных не указана.

FLANG-BERT — предварительно обученная языковая модель семейства FLANG, разработанная для финансовых текстов. Она основана на BERT и дообучена на финансовом корпусе с преимущественным маскированием финансовых терминов и выражений, чтобы формировать более подходящие для этой области представления. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате PyTorch. Основная задача модели — fill-mask: предсказание замаскированных слов в финансовом тексте. Полученные представления также могут использоваться как основа для классификации тональности и новостных заголовков, ответов на вопросы, распознавания именованных сущностей и определения границ структурных фрагментов; README упоминает эти задачи в контексте финансового бенчмарка FLUE, но не приводит результатов оценки именно этого чекпойнта. Модель рассчитана на английский язык и специализирована на финансовой тематике. Лицензия в предоставленных данных не указана.

Это VideoMAE Large, дообученная командой ai-forever для многометочной классификации движения камеры и типа кадра на видео. Модель содержит 402,7 млн параметров и принимает видеоклип, равномерно выбирая из него 16 кадров; для каждого клипа она предсказывает метки движения камеры и типа кадра. Модель распознаёт 18 категорий движения камеры, включая панорамирование, наклон, приближение и отдаление, а также статичную съёмку и неопределённое движение. Дополнительно она определяет три типа кадра: POV, shake и track. Предсказание относится ко всему клипу, а не к отдельным кадрам. Для роликов длиннее двух секунд рекомендуется классифицировать отдельные двухсекундные сегменты, поскольку обработка длинного видео целиком может пропустить смену движения. На внутреннем тестовом наборе двухсекундных видео точность составила 75%, или около 84% без учёта классов типов кадра. Лицензия в предоставленных данных не указана.

Это англоязычная модель классификации текста на базе DistilBERT, дообученная Juanpajedrez для задачи «еда или не еда». Она принимает текст и относит его к одному из двух классов: food или not food. Модель построена на DistilBertForSequenceClassification, рассчитана на контекст до 512 токенов и доступна в формате safetensors под лицензией Apache-2.0. В карточке сообщается о точности 1,0 и потере 0,0006 на оценочной выборке, однако датасет и методика оценки не описаны, поэтому эти результаты не позволяют судить о качестве на новых данных. Модель подходит для простого тематического отбора текстов, но её применимость за пределами бинарной классификации еды не подтверждена.

MERT-v1-330M — модель семейства Music Audio Pre-training, разработанного командой m-a-p для понимания музыкального аудио и извлечения признаков. Это предобученная Transformer-модель с 24 слоями и размерностью 1024; в карточке README указано 330 млн параметров, тогда как метаданные каталога содержат оценку 402,7 млн. Модель обучена по схеме MLM на 160 тысячах часов музыки с частотой дискретизации 24 кГц и контекстом предобучения 5 секунд. Модель предназначена для извлечения музыкальных представлений и классификации аудио, а полученные признаки можно использовать в последующих задачах анализа музыки. Она выдаёт признаки с частотой 75 кадров в секунду; разные слои могут давать разное качество в зависимости от задачи. Данные README также отмечают, что обучение на кодовых книгах EnCodec потенциально может поддерживать задачи генерации музыки, но карточка модели не указывает генерацию как подтверждённую задачу. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями на коммерческое применение.

Это сверточная модель MobileNet-V1 для классификации изображений, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она подходит для распознавания объектов на изображениях и может служить компактной базой для извлечения признаков в задачах компьютерного зрения. Модель содержит около 6,3 млн параметров и требует примерно 0,9 GMACs; размер изображения при обучении — 224×224 пикселя, при тестировании — 256×256. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

MobileNetV4 Conv AA Large — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная на ImageNet-12k. Она относится к семейству MobileNetV4 и использует усредняющий пулинг с антиалиасингом. Модель предназначена для присвоения изображению класса из набора категорий ImageNet-12k, а также для получения карт признаков и векторных представлений изображений. При обучении использовался размер изображения 384 × 384; для оценки в карточке указано 448 × 448. Веса доступны в форматах PyTorch и Safetensors. В карточке указаны 46,5 млн параметров и вычислительная сложность 7,1 GMAC. Лицензия — Apache-2.0. Количественные результаты в карточке относятся к другим вариантам и настройкам MobileNetV4, поэтому их нельзя напрямую считать результатами именно этой модели.