IV.1Ритейл, электронная коммерция и fashion-tech

realism_engine_krea2_v2 — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией uzumix. Модель предназначена для использования вместе с базовой моделью krea/Krea-2-Turbo в экосистеме Diffusers и, вероятно, ориентирована на повышение реалистичности создаваемых изображений. Указано, что адаптер распространяется в формате SafeTensors. Из доступных данных известно, что модель работает в сценарии text-to-image и относится к семейству diffusion LoRA. Размер адаптера, архитектура базовой модели, поддерживаемые языки, максимальный контекст и точные визуальные особенности не указаны. Также отсутствуют сведения о рекомендуемых параметрах, ограничениях качества и лицензии, поэтому условия использования необходимо уточнять на странице модели и у правообладателя.

Это предобученные на ImageNet веса ResNeXt-50 32x4d из репозитория smp-hub, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель также размечена как решающая задачу классификации изображений. ResNeXt-50 32x4d — сверточная архитектура для обработки изображений. Карточка не сообщает размер модели, языки или ограничения по входному разрешению. Репозиторий содержит веса в формате safetensors. Лицензия указана как other; конкретные условия в карточке не приведены.

John6666/sophos-realism-v14-expressive-v2-sdxl — модель text-to-image, созданная sophosympatheia и опубликованная на Hugging Face пользователем John6666. Это слияние моделей на базе Stable Diffusion XL, включая Illustrious-XL-v1.0 и CyberIllustrious, предназначенное для генерации реалистичных и фотореалистичных изображений по текстовым описаниям на английском языке.

LocalAI-io подготовила конверсию модели Microsoft TRELLIS.2-4B в формат GGUF F16 для запуска через C++-среду trellis2cpp. Это модель преобразования одного изображения в 3D-ассет; опубликованные файлы покрывают этапы генерации разреженной структуры и формы с каскадами разрешения 512 и 1024. Энкодер изображений DINOv3 и декодер разреженной структуры распространяются отдельно. Модель предназначена для создания 3D-объектов по изображению. Конверсия рассчитана на инференс в ggml runtime без Python, PyTorch и CUDA; веса не переобучались и не изменялись. Базовая TRELLIS.2-4B создаёт детализированные 3D-ассеты с PBR-материалами по одному изображению. Репозиторий распространяется по лицензии MIT.

Это веса VGG16, предварительно обученные на ImageNet и предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель применяют как основу для задач компьютерного зрения, в частности при построении сегментационных моделей. Карточка указывает архитектуру VGG16 и формат весов safetensors. Метаданные задают задачу классификации изображений; модель принимает изображения и выдаёт метки классов. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

Elisa/vit_finetune_mask — модель классификации изображений, дообученная на наборе данных imagefolder на основе Vision Transformer google/vit-base-patch16-224-in21k. Архитектура ViTForImageClassification содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для отнесения изображений к классам, представленным в её обучающих данных. На указанной в карточке оценочной выборке достигла точности 0,9659 и потери 0,1711. Состав классов и подробности набора данных не описаны, поэтому область применения и переносимость метрик на другие изображения оценить нельзя. Лицензия — Apache-2.0.

usyd-community/vitpose-plus-huge — модель семейства ViTPose++ для оценки позы человека по изображению. Её архитектура сочетает обычный, неиерархический Vision Transformer для извлечения признаков и лёгкий декодер для предсказания ключевых точек. В README указано, что семейство ViTPose масштабируется от 100 млн до 1 млрд параметров; точный размер этой версии не приведён. Разработчики ViTPose — Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао; версия для Transformers перенесена Сангбумом Чхве и Нильсом Рогге. Модель предназначена для определения координат суставов и других ключевых точек тела человека на изображениях. Она может применяться как этап анализа позы в видео, фитнес-приложениях, системах наблюдения и анимации. В README сообщается о результате семейства до 81,1 AP на тестовой выборке MS COCO Keypoint. Модель принимает изображения и выдаёт разметку ключевых точек; поддержка естественного языка не заявлена. Модель распространяется под лицензией Apache-2.0. Описанные результаты и обучение относятся к конкретным наборам данных и определениям ключевых точек; качество в других условиях может отличаться. README отмечает, что архитектуру можно улучшать более сложными декодерами и структурами FPN.

EdgeFirst YOLOv8 Detection — это модель обнаружения объектов из Model Zoo компании EdgeFirst, основанная на официальных предварительно обученных весах Ultralytics YOLOv8. Веса не переобучались: их точность проверяли на COCO 2017 с 80 классами, в том числе на реальном периферийном оборудовании. Вариант использует безъякорную голову обнаружения с DFL; в семействе также представлены варианты сегментации экземпляров. Модель предназначена для обнаружения объектов на изображениях, в частности в сценариях периферийного и встраиваемого ИИ. Репозиторий содержит форматы ONNX и TensorFlow Lite и результаты проверки на различных устройствах EdgeFirst. Ожидаемый вход — изображение 640×640; для других размеров требуется letterbox-преобразование. Для некоторых целевых ускорителей доступны квантованные варианты, у которых точность может снижаться относительно FP32. Обучение исходных весов выполнено Ultralytics на COCO 2017; EdgeFirst измеряет качество на deployment-пути с фиксированным входом ONNX, который отличается от методики опубликованных метрик Ultralytics. Модель наследует ограничения и смещения COCO, включая ограниченное разнообразие сцен и условий съёмки. Лицензия репозитория — AGPL-3.0.

AuraSR-v2 — модель для повышения разрешения изображений, разработанная fal. Она предназначена прежде всего для увеличения изображений, созданных генеративными моделями, и использует GAN-подход с обусловливанием входным изображением; реализация на PyTorch основана на неофициальном проекте lucidrains/gigagan-pytorch и связана с работой GigaGAN. Модель можно применять в конвейерах улучшения и масштабирования изображений. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не сообщает численный масштаб увеличения и подробности о качестве или ограничениях.

CerberusDet — модель обнаружения объектов на базе YOLO, разработанная авторами проекта CerberusDet. Этот крупный чекпойнт обучен одновременно на PASCAL VOC 2007+2012 и полной версии Objects365, чтобы распознавать объекты на изображениях из обоих наборов данных и учитывать сильный дисбаланс их размеров. Модель использует архитектуру Multi-headed YOLOv8x с общей основой и отдельными головами обнаружения. Она содержит 107 млн параметров, принимает изображения с разрешением 640×640 и выполняет инференс в FP16. В README приведены результаты mAP@0.5 0,93 на PASCAL VOC 2007 и 0,46 на Objects365, а также скорость 7,2 мс на NVIDIA V100 при batch size 32. Модель предназначена для обнаружения объектов на изображениях, в том числе в сценариях, связанных с классами PASCAL VOC и Objects365. Для работы указаны библиотека CerberusDet и Transformers. Лицензия — AGPL-3.0; условия её применения и распространения следует соблюдать.

microsoft/cvt-21-384 — сверточный Vision Transformer CvT-21 от Microsoft, предварительно обученный на ImageNet-1k для классификации изображений. Модель принимает изображение с разрешением 384×384 и относит его к одному из 1000 классов ImageNet. Архитектура CvT сочетает свёрточные операции с механизмами трансформера. Модель предназначена для распознавания объектов на изображениях и может применяться как классификатор или основа для экспериментов с компьютерным зрением. В репозитории доступны веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Её назначение ограничено классификацией изображений на наборе классов ImageNet-1k; она не выполняет обнаружение объектов или описание изображений.

MobileViT + DeepLabV3 — компактная модель семантической сегментации изображений, представленная авторами MobileViT Сачином Мехтой и Мохаммадом Растегари. Вариант XS использует лёгкий бэкбон MobileViT, сочетающий свёрточные слои в стиле MobileNetV2 с блоками Transformer, и голову DeepLabV3. В карточке для него указано 2,9 млн параметров; входные изображения обрабатываются после центральной обрезки до 512×512 и нормализации пикселей в диапазон [0, 1]. Ожидается порядок каналов BGR. Модель дообучена для сегментации на PASCAL VOC2012 после предварительного обучения на ImageNet-1k. Она предсказывает семантические классы для пикселей изображения; на PASCAL VOC указано значение mIoU 77,1. Компактная архитектура предназначена для сценариев с ограничениями по задержке и вычислительным ресурсам. Доступны файлы в форматах PyTorch, TensorFlow и Core ML. Лицензия — Apple Sample Code License.

Модель nsugianto/detr-resnet50_finetuned_lstabledetv1s9_lsdocelementdetv1type3_session7 — дообученная версия DETR для обнаружения объектов на изображениях. В метаданных указаны архитектура DETR, класс DetrForObjectDetection, 6,3 млн параметров и формат весов safetensors. Модель предназначена для локализации и классификации объектов с помощью ограничивающих рамок. README указывает, что она дообучена на неизвестном наборе данных, поэтому состав распознаваемых классов и пригодность для конкретных сценариев определить нельзя. Лицензия в предоставленных данных не указана.

BexRedpill/distilbert-on-polarity-yelp-reviews — модель классификации текста на базе DistilBERT, дообученная на задаче анализа тональности отзывов Yelp. Она предназначена для определения полярности пользовательских отзывов и может применяться для сортировки или мониторинга отзывов о заведениях и услугах. В README приведены результаты на оценочной выборке: accuracy 0,9156 и F1 0,9157. Модель принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors по лицензии Apache-2.0. README указывает, что модель дообучена на датасете, обозначенном как None, поэтому состав и охват обучающих данных неясны. Оценочные результаты не гарантируют такое же качество на других доменах, языках или типах текста.

DreamShaper 6.2 — модель генерации изображений по текстовому описанию, размещённая пользователем Yntec. Карточка называет её подробной версией DreamShaper 6.2 и указывает вариант no-EMA со встроенным VAE 840KVAE. Модель предназначена для создания иллюстраций, аниме и мультяшных изображений, а также фотореалистичных сцен и пейзажей; примеры включают персонажей, еду и игровое искусство. Модель распространяется в формате Diffusers с весами Safetensors и использует Stable Diffusion. Указана лицензия CreativeML Open RAIL-M. В карточке приведены примеры промптов и сгенерированных изображений; данных о размере модели, длине контекста или поддерживаемых естественных языках нет.

EditReward — мультимодальная модель TIGER-Lab для оценки результатов редактирования изображений по текстовой инструкции. Она сравнивает соответствие изображения запросу и человеческим предпочтениям, чтобы ранжировать варианты редактирования и оценивать качество систем, выполняющих такие правки. Модель основана на Qwen2.5-VL-7B-Instruct и дообучена на наборе EditReward-Data, содержащем более 200 тысяч вручную размеченных пар предпочтений. Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает изображения и текст и выдаёт текстовую оценку или предпочтение. В метаданных указаны контекст до 128 000 токенов; поддерживаемый язык карточки — английский. README сообщает о высокой согласованности с человеческими оценками на нескольких бенчмарках для редактирования изображений. Лицензия — Apache-2.0.

Xenova/face-parsing — модель для сегментации лица на изображениях, опубликованная Xenova на основе модели jonathandinu/face-parsing. Она распространяется с весами в формате ONNX и предназначена для использования в Transformers.js, в том числе непосредственно в веб-приложениях. Модель принимает изображения и выделяет отдельные области лица и фона, возвращая маски сегментации с метками вроде background и skin.png. Она подходит для задач анализа портретов, выделения кожи и других лицевых областей, а также для последующей визуализации или обработки отдельных сегментов. Поддерживается сценарий image-segmentation; сведения о размере модели, точной архитектуре, поддерживаемых языках, контекстном окне и наборе модальностей в README не указаны. К сильным сторонам относятся совместимость с JavaScript-библиотекой Transformers.js и формат ONNX, упрощающий запуск модели в веб-среде. Ограничения и точные показатели качества не приведены. Лицензия в README не указана.

Fenn Photo — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и основанная на Stable Diffusion. Карточка содержит пример промпта для создания студийного макрофото фигурки персонажа Rinoa Heartilly; теги также указывают на реалистичный и кинематографичный стиль. Модель предназначена для создания изображений по англоязычным промптам. Она распространяется в форматах Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Карточка не сообщает о размере модели, длине контекста или специальных ограничениях применения.

FeverDream — модель генерации изображений по текстовому описанию, созданная Cosmo-Hug как дообучение Stable Diffusion 1.5. Она предназначена для создания детализированных фотореалистичных и стилизованных изображений: среди характерных сюжетов — портреты людей, пейзажи, интерьеры, городские и заброшенные здания, а также отдельные художественные стили. Обучение проходило на разрешении 576 пикселей; автор сообщает, что изображения для обучения были высокого качества, увеличены и очищены от шума, а при обучении применялся offset noise fix. Модель ориентирована на насыщенные цвета, глубокие тени и чёткие детали. Для реалистичных изображений автор советует учитывать особенности обучающих подписей: слово «realistic» может смещать результат в сторону фарфоровых кукол, поэтому при чрезмерно гладких лицах можно добавить «doll» в негативный промпт. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.

R1000/Flux.1-dev-Controlnet-Upscaler — модель ControlNet для FLUX.1-dev, разработанная исследовательской командой Jasper. Она предназначена для повышения разрешения изображений и восстановления деталей в изображениях низкого качества, включая сценарии super-resolution и image-to-image генерации. Модель интегрируется с библиотекой diffusers и используется через FluxControlNetPipeline вместе с базовой моделью black-forest-labs/FLUX.1-dev. Модель обучалась на реальных изображениях, искусственно ухудшенных комбинацией шумов Gaussian и Poisson, размытия и JPEG-сжатия. Такой подход ориентирован на работу с изображениями, содержащими разнообразные типы деградации. В README приведён пример увеличения изображения в четыре раза; также указаны параметры инференса, включая 28 шагов генерации и поддержку вычислений в формате bfloat16. Сведения о размере модели, точных архитектурных параметрах, языках и максимальном контексте не предоставлены. Основная сильная сторона модели — специализированное управление процессом восстановления низкоразрешённых изображений через ControlNet при использовании возможностей FLUX.1-dev. Ограничения и гарантии качества для отдельных типов изображений в README не описаны. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть её использование регулируется некоммерческой лицензией FLUX.1-dev.

Это 4-битная квантованная версия FLUX.1-Krea-dev, подготовленная filipstrand для запуска через библиотеку MFLUX. Исходная модель разработана Black Forest Labs и Krea и предназначена для создания изображений по текстовым описаниям, в том числе в эстетике фотографии. Файлы весов занимают 9,61 ГБ и совместимы с MFLUX версии 0.10.0 или новее. Модель принимает текстовые запросы и генерирует изображения. В README указана лицензия «other»; конкретные условия использования следует сверять с лицензией исходной модели и репозитория.

Realism_Engine_V2 — адаптер LoRA для генерации изображений по текстовому описанию, разработанный Keltezaa. Модель предназначена для использования с базовой моделью black-forest-labs/FLUX.2-klein-base-9B и ориентирована на задачи text-to-image, в частности на получение более реалистичных изображений. Указана совместимость с экосистемой Diffusers. В карточке не приведены сведения о точной архитектуре адаптера, размере файла, поддерживаемых языках, размере контекстного окна, конкретных параметрах обучения или результатах тестирования. Поэтому сильные стороны можно определить только по заявленной специализации на реалистичной генерации, а ограничения связаны с необходимостью использовать совместимую базовую модель и отсутствием подробной технической документации. Распространение модели регулируется лицензией CC BY-NC-ND 4.0, которая предусматривает некоммерческое использование и ограничения на создание производных работ.

Foto Assisted Diffusion (FAD) V0 — модель генерации изображений по текстовому описанию в стиле современной HDR-фотографии. Автор обучил её на 600 HDR-изображениях на базе Stable Diffusion 1.5 и объединил с собственной моделью для иллюстраций и рисунков, чтобы сделать генерацию более гибкой. Модель рассчитана на создание фотореалистичных HDR-изображений по текстовым запросам. Лучше всего работает при разрешении 768×768, поддерживает разные разрешения и, по заявлению автора, не требует Hi-Res fix. Для подготовки запросов автор предлагает таблицу с поддерживаемыми разрешениями, ключевыми словами и рекомендациями. Репозиторий содержит версию для Diffusers в форматах PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M; карточка заявляет об отсутствии дополнительных лицензионных условий.

Freedom.Redmond — модель генерации изображений по текстовому описанию, созданная artificialguybr и дообученная на Stable Diffusion 2.1 с разрешением 768 пикселей. Она рассчитана на универсальные запросы и генерацию изображений в разрешении выше 1024 пикселей, включая реалистичные и художественные сцены, автомобили и людей. Автор рекомендует разрешение выше 768 пикселей, около 30 шагов и семплеры DPM++ SDE/2M или 2M SDE; результаты могут зависеть от использования негативного промпта. Модель распространяется по лицензии bigscience-openrail-m.

LocalAI-io публикует GGUF-конверсии весов TencentARC/FreeSplatter для движка free-splatter.cpp. Модель принимает несколько некалиброванных изображений одной сцены или объекта и предсказывает для каждого пикселя параметры 3D-гауссиан: положение, цвет на основе сферических гармоник, прозрачность, масштаб и вращение. Варианты scene рассчитаны на два частично перекрывающихся ракурса, а object — на 3–4 ракурса вокруг объекта; изображения обрезаются по центру и приводятся к 512×512. Веса используют общий трансформерный каркас: токенизатор патчей, мультиизображенческий трансформер и голову предсказания гауссиан. Конверсии F16 и F32 работают через движок на CPU или Vulkan GPU; результат можно передать в формате .splat или получить как тензор float32. Растеризация гауссиан и решение PnP для поз камер в модель не входят. Репозиторий распространяется по лицензии Apache-2.0.

HGNet-V2 B0 — компактная сверточная модель классификации изображений из семейства High Performance GPU Net, опубликованная авторами модели в репозитории timm. Она обучена с использованием дистилляции SSLD на данных ImageNet-22k и ImageNet-1k, а затем дообучена на ImageNet-1k. Модель содержит около 6 млн параметров; указаны разрешения изображений 224 × 224 для обучения и 288 × 288 для тестирования. Модель подходит для отнесения изображений к классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса в форматах PyTorch и Safetensors и рассчитан на использование с библиотекой timm. Лицензия — Apache-2.0. Оценки качества в карточке приведены для вариантов HGNet-V2 B6, поэтому их нельзя считать результатами этой модели B0. Модель ориентирована на классификацию изображений из ImageNet; качество на других наборах данных и предметных областях может отличаться.

andreca/hunyuan3d-2.1xet — опубликованная пользователем andreca копия весов Tencent Hunyuan3D-2.1, системы создания 3D-объектов. Основную модель разработала команда Tencent Hunyuan3D. В репозитории размещены компоненты генерации формы, текстурирования PBR и VAE; исходная система использует диффузионную архитектуру для генерации формы и отдельную модель синтеза материалов. Модель предназначена для создания 3D-геометрии по входному изображению и генерации реалистичных PBR-текстур для цифровых объектов. В официальном описании указаны модели генерации формы размером 3,3 млрд параметров и текстурирования размером 2 млрд параметров. Для генерации формы требуется около 10 ГБ VRAM, для текстур — около 21 ГБ, а для полного цикла — около 29 ГБ. Метки карточки указывают английский и китайский языки, однако основная функция — обработка визуального ввода. Распространяется по лицензии Tencent Hunyuan Community; условия лицензии необходимо соблюдать при использовании весов.

Hunyuan3D-Omni — модель Tencent для управляемой генерации 3D-объектов. Она построена на Hunyuan3D 2.1 и использует единый энкодер управления, который объединяет сигналы разных типов для задания формы и позы объекта. Модель генерирует 3D-модель по изображению, а также поддерживает управление через облако точек, воксельное представление, ограничивающий 3D-бокс или скелетную позу. Это подходит для создания и преобразования 3D-ассетов для игр, кино и дизайна, когда нужно точнее контролировать геометрию, топологию или позу. В README указан размер 3,3 млрд параметров и потребность в 10 ГБ видеопамяти для генерации. В репозитории указаны веса PyTorch и библиотека hunyuan3d-2. Лицензия обозначена как other; конкретные условия следует проверять в лицензии репозитория. Модель наследует структуру Hunyuan3D 2.1; подробности о качестве, поддерживаемых форматах 3D-вывода и точных ограничениях применения в карточке не приведены.

InstantID — метод генерации изображений с сохранением личности по одному исходному изображению, разработанный командой InstantX. Он предназначен для создания изображений человека с заданным текстовым описанием и сохранением его идентичности, а также для связанных сценариев генерации. Метод не требует дообучения для использования и рассчитан на работу в библиотеке Diffusers с компонентами ControlNet и IP-Adapter. Качество сходства и следование текстовому запросу зависят от настроек силы IdentityNet и Adapter; разработчики также отмечают, что для более реалистичного результата может потребоваться подходящая базовая модель. Репозиторий распространяется по лицензии Apache-2.0.

cstr/instructir-GGUF — конвертированная в формат GGUF версия модели mv-lab/InstructIR для восстановления изображений. Это текстово-управляемая U-Net на основе NAFNet с 16 млн параметров; в GGUF заранее встроены эмбеддинги семи задач, поэтому при работе не требуется текстовый энкодер, а режим выбирается целочисленным идентификатором от 0 до 6. Репозиторий содержит варианты GGUF F16 и F32; для F32 в карточке указано 61 МБ. Заявлено совпадение с эталонной реализацией на Python с косинусным сходством 1,0. Модель предназначена для шумоподавления, устранения размытия, удаления дымки и дождя, повышения разрешения, улучшения изображений при слабом освещении и общего улучшения качества. Это преобразование формата исходной модели без дополнительного обучения, дообучения, слияния или дистилляции. Лицензия — MIT, на тех же условиях, что и у исходной модели.