II.8Инженерия данных и аналитика

Модель разработана Het Waterschapshuis совместно с нидерландскими водными управлениями и предназначена для семантической сегментации аэрофотоснимков Нидерландов. Это SegFormer B1 на базе nvidia/segformer-b1-finetuned-cityscapes-1024-1024, дообученная на случайных выборках из набора аэрофотоснимков PDOK и данных BGT; классификационная голова настроена на пять классов. На вход подаются RGB-аэрофотоснимки размером 1024×1024 с разрешением 8 см на пиксель. Модель создаёт карту сегментации для объектов, включая воду, здания, дороги и тротуары, а также растительность. Карты используются для обновления национальной карты BGT, в частности для картографирования водных путей. Модель опубликована под лицензией MIT. Она специализирована на нидерландских аэрофотоснимках и указанных классах; качество на других регионах, типах изображений и задачах не подтверждено.

SegFormer MiT-B5, разработанный EPFL-ECEO и дообученный на наборе CoralscapesV2 для семантической сегментации изображений коралловых рифов. Модель принимает изображения и присваивает пикселям метки одного из 39 классов Coralscapes; нулевой класс обозначает игнорируемые пиксели. Обучающие данные включают 2433 размеченных кадра с 55 участков Красного моря, обработанных в разрешении 1024×1024. Для оценки состояния рифов модель подходит для разметки подводных изображений и анализа состава сцен, включая обнаружение рыб и мусора. В описании приведены результаты на тестовых выборках CoralscapesV2 и Coralscapes V1: при скользящей обработке окнами 1024×1024 mIoU составляет 59,020% и 58,336% соответственно. Модель использует архитектуру SegFormer и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0.

HuggingFaceTB разработала stack-edu-classifier-php — классификатор для оценки образовательной ценности PHP-файлов с кодом в датасете The Stack v2. Модель дообучена на bigcode/starencoder с классификационной головой; обучающие примеры размечены моделью Llama 3.1 70B Instruct. Её применяли при создании датасета Stack-Edu для обучения SmolLM2. Модель основана на BERT-подобной архитектуре StarEncoder, содержит 151 млн параметров и принимает до 1024 токенов. Она классифицирует отдельные файлы PHP-кода; это узкоспециализированная модель, рассчитанная на целевой язык программирования. Сведения о лицензии в предоставленных данных отсутствуют.

Модель Restor / ETH Zurich для семантической сегментации древесного покрова на аэрофотоснимках высокого разрешения. Это вариант SegFormer с архитектурой mit-b5; модель размечает каждый пиксель как покрытый или не покрытый кронами деревьев и не выделяет отдельные деревья. Основной сценарий применения — оценка доли площади, занятой древесным пологом, на снимках с разрешением около 10 см на пиксель. Для обработки крупных ортофотопланов требуется внешний конвейер разбиения снимков на тайлы и сборки предсказаний; для анализа конкретной территории результаты можно ограничить областью интереса. Модель обучена на глобальных аэрофотоснимках из набора Restor TCD. Среди ограничений — ложные срабатывания на кустарники и похожую растительность, неодинаковое качество для недопредставленных биомов и возможная зависимость результатов от разрешения снимка. Она не оценивает биомассу или высоту крон и не подходит для оценки углеродных кредитов без отдельной проверки. Метаданные указывают лицензию CC; в карточке также отмечено, что исходные изображения включают лицензированные на условиях CC BY-NC данные, а для SegFormer действуют условия NVIDIA, которые следует проверить перед развертыванием.

akashmaggon/vit-base-age-classification — модель классификации изображений на основе Vision Transformer ViT-Base, дообученная на наборе данных fair_face от базовой модели google/vit-base-patch16-224-in21k. Она предназначена для классификации возраста по изображениям лиц. В метаданных указан размер 113,2 млн параметров; веса опубликованы в формате safetensors. На оценочном наборе автор сообщает точность 0,9879 и значение loss 0,0743. README не уточняет разбиение возрастных классов и условия оценки, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

mrfakename/w2v-bert-2.0-music-lyrics-ctc — мультиязычная модель распознавания текста песен, разработанная автором репозитория и дообученная на базе mrfakename/w2v-bert-2.0-music. Это CTC-модель с архитектурой Wav2Vec2-BERT и примерно 403,6 млн параметров; она принимает аудио полных музыкальных миксов, включая вокал вместе с инструментальным сопровождением, без предварительного разделения источников. Модель предназначена для транскрибации песенных текстов и принудительного выравнивания известных слов с аудио, включая оценку начал слов и слогов. Вспомогательные головы также выдают покадровую активность вокала и оценки высоты тона и наличия голоса. Словарь из 921 токена охватывает латиницу, кириллицу, греческое, арабское и еврейское письмо, тайский, японскую кану и кандзи, а также корейский хангыль. При оценке на отложенных песнях символьная ошибка составила 12,8% для фрагментов, выровненных по строкам, и 13,3% для произвольных окон; декодирование выполнялось без языковой модели. Обучение проводилось на окнах длительностью до 30 секунд, поэтому длинные записи следует обрабатывать перекрывающимися окнами. Концы слов при выравнивании ненадёжны, а для точности границ около 20 мс нужна отдельная модель. Модель распространяется по лицензии MIT.

Matteo Fasulo разработал эту модель для определения позиции в политических обсуждениях. Это XLM-RoBERTa-base, дообученная как классификатор последовательностей на наборе ZurichNLP/x_stance; модель содержит 305,2 млн параметров и принимает пару текстов: политический вопрос и комментарий. Она относит комментарий к одному из двух классов: FAVOR (поддерживает вопрос) или AGAINST (выступает против него). Модель предназначена для выявления политической позиции, анализа мнений, многоязычных исследований NLP и оценки методов классификации позиции. В обучающих данных преобладают немецкие обсуждения швейцарской политики; также представлены французский и итальянский языки. Заявлена способность к переносу между языками, включая ограниченную проверку итальянского языка. Контекст модели — 514 токенов. Лицензия — MIT. На валидационной выборке указаны точность и Macro F1 76,87%; на тесте X-Stance Macro F1 составляет 77,348% для новых комментариев на немецком и 76,914% на французском, а для новых вопросов на немецком — 71,334%. Модель предсказывает только поддержку или несогласие, не имеет нейтрального класса и не проверяет фактическую достоверность. Сарказм, неявные мнения и перенос за пределы швейцарской политики могут снижать качество.

keremberke/yolov5m-license-plate — модель компьютерного зрения на архитектуре YOLOv5m для обнаружения автомобильных номерных знаков на изображениях. В карточке указаны библиотека yolov5, формат PyTorch и датасет keremberke/license-plate-object-detection; README содержит краткое указание на использование через пакет yolov5. Модель предназначена для локализации номерных знаков в задачах анализа изображений, например при обработке кадров с камер или фотографий автомобилей. Она выдаёт обнаружения объектов с рамками; распознавание символов на номере (OCR) отдельно не заявлено. Лицензия, число параметров и ограничения по качеству в предоставленных данных не описаны.

AfroXLMR-mini — языковая модель на архитектуре XLM-RoBERTa, разработанная Davlan. Она создана адаптацией модели XLM-R-miniLM методом masked language modeling на 17 африканских языках и трёх высокоресурсных языках: арабском, французском и английском. Модель содержит 124,3 млн параметров, принимает последовательности длиной до 514 токенов и предназначена для заполнения маскированных токенов. В оценке на MasakhaNER модель показала результаты для ряда африканских языков, включая хауса, игбо, киньяруанда, пиджин и суахили; эти результаты указывают на применимость представлений модели к задачам обработки африканских языков. Она доступна в форматах PyTorch и Safetensors по лицензии MIT. Pipeline Hugging Face — fill-mask; карточка не описывает отдельную модель для генерации текста или готовый конвейер распознавания сущностей.

Wiam/baby-cry-classification-finetuned-babycry-v4 — модель классификации аудио, созданная дообучением Wav2Vec2 на наборе данных audiofolder для распознавания классов плача младенцев. Она принимает аудиозапись и выдаёт метки классов; конкретный перечень классов в карточке не описан. Модель содержит около 402,7 млн параметров, использует архитектуру Wav2Vec2ForSequenceClassification и формат весов safetensors. На оценочной выборке указаны accuracy 0,815, F1 0,732, precision 0,665 и recall 0,815. Базовая модель обучалась на английской речи, но карточка не подтверждает, что классификатор плача рассчитан на определённый язык. Модель распространяется по лицензии Apache-2.0.

caformer_s36.sail_in22k — модель классификации изображений и извлечения признаков из семейства CAFormer, разработанная авторами работы MetaFormer baselines for vision и обученная на ImageNet-22k. Архитектура относится к MetaFormer; модель содержит около 82 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость около 8 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу для компьютерного зрения и как визуальный backbone в прикладных системах. Репозиторий предоставляет веса PyTorch и safetensors, а библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

Модель tanganke/clip-vit-base-patch32_stanford-cars — дообученная на датасете Stanford Cars визуальная часть CLIP ViT-B/32, основанная на openai/clip-vit-base-patch32. Архитектура ViT-Base разбивает изображение на патчи размером 32 пикселя; модель содержит 113,2 млн параметров и распространяется в формате safetensors. Модель предназначена для извлечения признаковых векторов изображений автомобилей и исследований компьютерного зрения на наборе Stanford Cars. В README приведены результаты оценки: 0,5987 для предобученной модели и 0,7819 после дообучения; метрика не уточнена. Это визуальный энкодер: он принимает изображения и выдаёт представления признаков, а не готовые текстовые ответы. Модель разработана tanganke и опубликована 28 апреля 2024 года. Сведения о лицензии в доступных данных отсутствуют.

domenicrosati/deberta-v3-xsmall-finetuned-DAGPap22 — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-xsmall, опубликованная Domenic Rosati. Она предназначена для отнесения входного текста к классам; набор данных и целевые категории в карточке не раскрыты. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa-v2 и принимает текстовые последовательности длиной до 512 токенов. В карточке приведены результаты на оценочной выборке: accuracy 0,9907 и F1 0,9934. Эти показатели относятся к неизвестному датасету и не позволяют судить о качестве на других задачах. Веса доступны в формате PyTorch; лицензия — MIT.

Это DETR — трансформерная модель сквозного обнаружения объектов с backbone ResNet-50, дообученная автором репозитория на наборе SKU110K. Она предназначена для поиска и локализации товаров на изображениях полок розничных магазинов; при обучении использовалось 400 запросов объектов. В наборе SKU110K указано 8 219 размеченных изображений для обучения, 588 для валидации и 2 936 для тестирования. На валидационной части автор сообщает mAP 58,9. Модель принимает изображения и выдаёт рамки обнаруженных объектов с оценками классов. Репозиторий содержит веса в формате safetensors; размер параметров в метаданных указан как 6,3 млн. Лицензия — Apache-2.0. Описание сфокусировано на товарах SKU110K, поэтому пригодность для других категорий объектов не подтверждена.

DictaBERT-seg — дообученная модель семейства BERT от Dicta для сегментации приставок в современном иврите. Она принимает текст и выделяет границы между приставками и основой слова; пример использования в карточке показывает обработку предложений на иврите через Transformers. Модель содержит 211,6 млн параметров, имеет контекстное окно 512 токенов и опубликована в форматах PyTorch и Safetensors. Она предназначена для сегментации ивритских слов, а не для диалога или генерации текста. Лицензия — CC BY 4.0.

MAEST — семейство трансформерных моделей для анализа музыки, разработанное Pablo Alonso. Эта версия дообучена на базе PaSST и использует архитектуру Audio Spectrogram Transformer (AST); число параметров — 113,2 млн. Модель классифицирует музыкальные аудиозаписи по таксономии из 400 стилей, составленной на основе метаданных Discogs, и предназначена для задач понимания музыки. Модель подходит для распознавания музыкальных жанров и стилей, а её внутренние представления применялись для анализа музыкальных эмоций и обнаружения инструментов. Она принимает аудио; для воспроизведения предусмотренной обработки используются мел-спектрограммы, подготовленные в стиле Essentia. Это специализированная модель для музыки, а не универсальный классификатор аудио. Обучение проводилось на наборе Discogs20 из 3,3 млн музыкальных треков, сопоставленных с метаданными Discogs. В данных заметно преобладают западная музыка, особенно электронная, поэтому результаты могут быть хуже для недостаточно представленных музыкальных традиций. Для Transformers требуется включить доверенный удалённый код. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование на её условиях; для коммерческого применения автор предлагает запросить отдельную лицензию.

Это модель классификации аудио на основе DistilHuBERT, дообученная автором на датасете GTZAN. Она предназначена для распознавания музыкальных жанров по аудиозаписи. В карточке указаны точность 0,88 и loss 0,8658 на оценочном наборе; размер модели — 18,9 млн параметров. Модель принимает аудио и выдаёт метку класса. Она опубликована в формате PyTorch под лицензией Apache-2.0. В README не приведены дополнительные сведения о наборе классов, способе подготовки аудио или ограничениях оценки.

Модель rogovk/distilhubert-finetuned-gtzan разработана как дообученная версия ntu-spml/distilhubert для классификации аудио по классам датасета GTZAN. Она построена на HuBERT, содержит около 18,9 млн параметров и предназначена для распознавания музыкальных жанров по аудиозаписи. В оценке на тестовом наборе GTZAN указана точность 0,87 и значение loss 0,9340. Модель принимает аудио и выдаёт класс или оценки классов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Результаты и назначение подтверждены для GTZAN, поэтому надёжность на других жанрах, типах аудио и распределениях данных не установлена.

dla46x_c.in1k — модель семейства DLA (Deep Layer Aggregation) для классификации изображений и извлечения визуальных признаков. Разработана авторами работы о Deep Layer Aggregation и обучена на ImageNet-1k; модель распространяется в библиотеке timm. Модель содержит около 1,1 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 0,5 GMAC. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Лицензия — BSD 3-Clause. Модель предназначена для изображений общего назначения; сведения о точности и других ограничениях в карточке не приведены.

EfficientViT B1 — модель компьютерного зрения семейства EfficientViT, разработанная авторами соответствующей научной работы и размещённая в timm. Она обучена на ImageNet-1k для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 9,1 млн параметров и рассчитана на входные изображения размером 256 × 256 пикселей; вычислительная сложность составляет около 0,7 GMACs. Модель подходит для классификации объектов на изображениях и получения визуальных признаков в компактных сценариях компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия Apache-2.0.

FastViT-SA36 — модель классификации изображений и визуальная backbone-модель, обученная авторами статьи FastViT на ImageNet-1k. Репозиторий timm/fastvit_sa36.apple_in1k содержит вариант с 31,5 млн параметров; модель рассчитана на изображения размером 256 × 256 пикселей и требует около 5,6 GMACs на проход. Архитектура FastViT сочетает свёрточные и трансформерные компоненты и использует структурную репараметризацию. Модель предсказывает классы изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Это подходит для классификации объектов на изображениях и получения визуальных признаков для последующих задач компьютерного зрения. Обучение проведено на ImageNet-1k; описанный набор классов и качество вне этого распределения могут ограничивать применение. В карточке указана лицензия other с требованием соблюдать исходную лицензию FastViT. Перед использованием следует проверить условия исходной лицензии.

Tremor — модель Eximius Labs для поиска и сопоставления движений по данным инерциального датчика. Она преобразует короткое окно показаний трёхосевого акселерометра в вектор размерности 2048, сопоставимый с текстовыми и другими мультимодальными эмбеддингами семейства fusion-embedding-2. Модель предназначена для поиска фрагментов движения по запросам на естественном языке и распознавания активности без примеров для каждого класса. В основе Tremor — замороженный энкодер движений UniMTS с архитектурой ST-GCN и замороженная база Qwen3-VL-Embedding-2B; обучаемая часть — проектор примерно на 2,6 млн параметров. Входом служит поток ускорения от одного датчика, закреплённого на одном участке тела или робота. Текстовые запросы должны быть на английском и оформлены с использованием шаблона чата базовой модели. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель подходит для языкового поиска движений в данных носимых устройств и роботов, а также для классификации активности. Среди ограничений — использование только акселерометра без гироскопа, отсутствие поддержки нескольких датчиков и ограниченный перенос между наборами данных: в README указана точность около 0,50 в задаче классификации на пять классов. Авторы обозначают выпуск как исследовательский preview и не рекомендуют использовать его для классификации с высокими требованиями к надёжности.

gender-classification-2 — классификатор изображений на базе архитектуры Vision Transformer (ViT), созданный с помощью HuggingPics. Модель предназначена для отнесения изображений к категориям пола; подробности о метках и обучающих данных в карточке не приведены. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и Safetensors. Её задача — классификация изображений. Лицензия и ограничения на использование не указаны в предоставленных данных.

GeoTree — сверточная модель компьютерного зрения для обнаружения крон деревьев на спутниковых и аэрофотоснимках. В карточке указана архитектура TreeDetectorModel на основе остаточных блоков, Batch Normalization и SiLU; модель принимает RGB- или мультиспектральные изображения размером 640×640 пикселей и предсказывает объекты с помощью рамок. Репозиторий использует PyTorch, лицензия — MIT. Модель предназначена для обнаружения и подсчёта деревьев, картирования лесного покрова и оценки плотности деревьев на снимках территории Бангладеш. Среди упомянутых источников данных — Sentinel-2, PlanetScope и ортомозаики с дронов. Результаты могут использоваться для лесного и сельскохозяйственного мониторинга, отслеживания обезлесения и восстановления лесов, а также оценок углеродных запасов и биомассы. Заявленные в README показатели качества высоки, однако описание не раскрывает состав и объём обучающей выборки, независимую проверку метрик или переносимость на другие регионы и сенсоры. Поэтому качество на новых данных следует оценивать отдельно; указанная географическая специализация — Бангладеш.

Koichi Yasuoka разработал GPT-2 для морфологического анализа японского текста. Модель дообучена на основе ku-nlp/gpt2-small-japanese-char и размечает короткие словные единицы тегами UPOS и FEATS; карточка также указывает поддержку синтаксического разбора зависимостей. В каталоге задача модели обозначена как token-classification. Модель принимает японский текст и возвращает разметку токенов. Она основана на плотной архитектуре GPT-2, использует веса PyTorch и имеет контекст длиной 1024 токена. Лицензия — CC BY-SA 4.0. Карточка демонстрирует использование через Transformers pipeline с параметром trust_remote_code=True.

haloregnetz_b.ra3_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она основана на архитектуре RegNet-Z и использует блоки HaloNet с локальным пространственным вниманием; конфигурация настроена на разумное время обучения и сокращённое число блоков self-attention, а не на точное воспроизведение конкретной статьи. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В карточке указаны 11,7 млн параметров, вычислительная сложность 2,0 GMACs и входной размер 224 × 224 пикселя. Для обучения применялась схема RandAugment RA3. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Лицензия — Apache-2.0. Классификация ориентирована на категории ImageNet-1k; качество на иных наборах данных и изображениях, отличающихся по распределению, может быть ниже.

HGNet-V2 B4 — сверточная модель для классификации изображений и извлечения визуальных признаков, разработанная авторами семейства HGNet-V2 и опубликованная в библиотеке timm. Модель обучали с дистилляцией SSLD на данных ImageNet-22k и ImageNet-1k, затем дообучили на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель содержит 19,8 млн параметров и предназначена для классификации изображений, извлечения карт признаков и получения векторных представлений. В карточке указаны размер изображения 224×224 при обучении и 288×288 при оценке; вычислительная сложность составляет 2,7 GMACs. Обучение на ImageNet делает её подходящей как основу для задач распознавания объектов общего назначения. Ограничение: обучение и заявленные результаты связаны с ImageNet, поэтому качество на других предметных областях зависит от данных и условий применения.

ifoodie-classifier-v8 — модель классификации изображений, опубликованная пользователем sainteye на Hugging Face. По метаданным, она построена на архитектуре Vision Transformer (ViT) и содержит около 113,2 млн параметров; основная задача — присваивать изображениям классы. Название указывает на область еды и кулинарии, однако доступные источники не уточняют набор классов и датасет, поэтому конкретные типы распознаваемых блюд подтвердить нельзя. Модель принимает изображения и выдаёт метки классов. Сведения о лицензии и языковой поддержке не подтверждены использованными источниками.

fathan/indojave-codemixed-indobertweet-base — предобученная маскированная языковая модель автора fathan для анализа текстов из Twitter, в которых смешаны индонезийский, яванский и английский языки. Модель основана на IndoBERTweet и обучена с помощью библиотеки Transformers на корпусе из 28,1 млн предложений, собранных из твитов за период с января 2022 по январь 2023 года и прошедших очистку и предварительную обработку. Это модель архитектуры BERT с головой для masked language modeling, примерно 137,8 млн параметров и контекстом до 512 токенов. Её основная задача — предсказывать скрытые в тексте токены; это подходит для изучения лексики и адаптации к последующим задачам на код-смешанных публикациях. В README приведены результаты предобучения: eval loss 2,4854 и perplexity 12,0054. Модель не предназначена для генерации длинных текстов или прямого решения произвольных прикладных задач без дополнительной настройки. Обучающий корпус не опубликован из-за политики Twitter. Лицензия в предоставленных данных не обозначена.

Модель lokeshkumar79/kid-whisper-base-en-myst-ours разработана для исследований сжатия моделей распознавания детской речи. Это дообученная на корпусе MyST англоязычная версия Whisper base.en от OpenAI; метаданные указывают 51,7 млн параметров и формат safetensors. Модель принимает аудио и преобразует речь в текст на английском языке. Чекпойнт предназначен для экспериментов с посттренировочной квантизацией и прореживанием Whisper на небольшом масштабе. В README приведён базовый WER 11,91% на тестовой выборке MyST из 3972 аудиофрагментов при оценке с чанками по 30 секунд и beam search с шириной 5; результат относится к указанному протоколу и не гарантирует качество на других данных. Лицензия — MIT.