IV.1Ритейл, электронная коммерция и fashion-tech

kryveil/dinov3-vitl16-pretrain-lvd1689m — производная модель семейства DINOv3, разработанного Meta AI. Это зрительная основа на архитектуре Vision Transformer (ViT-L) с размером патча 16; в репозитории указано 402,7 млн параметров. Модель дообучена на базе facebook/dinov3-vit7b16-pretrain-lvd1689m и предназначена для извлечения признаков изображений. На вход подаётся изображение, на выходе модель возвращает плотные визуальные признаки, включая представление изображения и признаки патчей. Их можно использовать для поиска похожих изображений, классификации, сегментации, оценки глубины и других задач компьютерного зрения. Размер изображения может быть больше стандартного, если его стороны кратны 16; иначе модель обрезает изображение до ближайшего меньшего размера, кратного размеру патча. Карточка DINOv3 сообщает о сильных результатах без дополнительного дообучения на широком наборе задач зрения. Отмечены различия в качестве признаков между географическими регионами и группами дохода; дообучение может усилить смещения, связанные с обучающими метками. Лицензия указана как other в метаданных, а карточка называет её DINOv3 License; перед использованием следует проверить её условия.

ff13/fashion-clip — модель семейства CLIP, представленная в формате ONNX для использования с Transformers.js. Репозиторий содержит веса ONNX и предназначен для запуска модели в веб-среде. По названию модель ориентирована на задачи с изображениями в сфере моды, однако README не описывает обучение, конкретные сценарии или характеристики исходной модели.

Модель touchtech/fashion-images-pack-types-vit-large-patch16-384-v1 — дообученная Touchtech версия Vision Transformer ViT-Large с патчами 16×16 и входным разрешением 384 пикселя. Она принимает изображения и классифицирует типы упаковки в модной одежде. В карточке указаны результаты на оценочной выборке: accuracy 0,99 и loss 0,0446; модель построена на базе google/vit-large-patch16-384 и опубликована в формате safetensors для Transformers. Модель подходит для автоматической сортировки изображений упаковки в каталогах или на этапах обработки изображений товаров. Данных о поддерживаемых языках нет, поскольку входом служат изображения, а выходом — метки классов. Модель распространяется по лицензии Apache-2.0. Показатели оценки приведены без описания состава выборки и методики, поэтому их нельзя считать гарантией качества на других данных.

HY-WU — разработанная Tencent система условной генерации изображений, которая создаёт для каждого запроса низкоранговые адаптеры LoRA на основе изображения и текстовой инструкции и применяет их к замороженной базовой модели во время прямого прохода. Такой подход позволяет адаптировать генерацию к конкретному экземпляру без оптимизации на этапе вывода и без дообучения базовой модели. Модель предназначена для редактирования и преобразования изображений по инструкциям, включая перенос одежды и текстур, виртуальную примерку и перенос внешности персонажа. В README заявлена совместимость с крупными базовыми моделями; приведён пример конфигурации с базой на 80 млрд параметров и требованием многокарточного GPU-инференса. В метаданных указаны формат safetensors и базовая модель tencent/HunyuanImage-3.0-Instruct. Качество оценивалось в сравнении с другими моделями, но README не приводит подробностей протокола оценки. Для работы необходима базовая модель; сам HY-WU генерирует её адаптеры и не является самостоятельной универсальной моделью генерации изображений. Лицензия в предоставленных данных не указана.

Moirai-1.0-R-Small — модель временных рядов от Salesforce, построенная на архитектуре Transformer с маскированным энкодером и предварительно обученная на наборе LOTSA. Версия Small содержит 12,4 млн параметров по метаданным Hugging Face; в README размер округлён до 14 млн. Модель предназначена для прогнозирования временных рядов, в том числе многомерных: она может учитывать целевые переменные и динамические ковариаты, значения которых известны на горизонте прогноза. В архитектуре используются патчи временного ряда и смесь распределений для представления прогнозов. Для запуска инференса README рекомендует библиотеку uni2ts. Модель распространяется по лицензии CC BY-NC 4.0. Авторы публикуют её для поддержки академической статьи и отмечают, что точность и пригодность для конкретных сценариев требуют оценки; модель не оценивалась для всех вариантов применения, особенно для высокорисковых задач.

zeromodels/owlv2-base-patch16 — преобразованная в формат Keras 3 модель Google OWLv2-base-patch16 для обнаружения объектов на изображениях по свободным текстовым запросам. Она сохраняет двухбашенную архитектуру OWL-ViT с детекционной головой для патчей и использует оценку объектности; исходная модель масштабирована с помощью самообучения на веб-парах изображений и текста. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для поиска объектов по заданным текстовым категориям без фиксированного набора классов. При обработке изображений OWLv2 дополняет их до квадратной формы перед изменением размера, поэтому при постобработке нужно корректно передавать исходные размеры изображения. Для open-vocabulary детектора обычно подходят более низкие пороги уверенности, чем для детекторов с закрытым набором классов. Лицензия — Apache 2.0.

Модель BLT Lab, разработанная в сотрудничестве с eBay при финансировании eBay, предназначена для сегментации англоязычных поисковых запросов в электронной коммерции. Это модель разметки последовательностей на базе BERT base uncased, дообученная для классификации токенов на обучающей выборке QueryNER с дополнительными аугментациями, призванными повысить устойчивость к опечаткам и упоминаниям, отсутствовавшим в обучающих данных. Модель выделяет фрагменты запроса, которые можно использовать для взвешивания сущностей, связывания их с базами знаний или удаления отдельных фрагментов при обработке запросов с низкой полнотой результатов. Она рассчитана на английский язык и контекст до 512 токенов. Для использования предсказаний авторы применяют постобработку, учитывающую метку только первого субтокена. Модель обучена на QueryNER и может хуже работать на других доменах без дополнительных данных и дообучения. README указывает на исследовательское и прикладное использование для сегментации запросов, а результаты оценки и ограничения отсылает к статье. Лицензия — CC-BY-4.0.

ResNet101D.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура ResNet-D использует активации ReLU, трехслойный блок начальной обработки из сверток 3×3 с пулингом и нисходящие shortcut-связи с усредняющим пулингом 2×2 и сверткой 1×1. Модель подходит для определения объектов и категорий на изображениях, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. Она содержит около 44,6 млн параметров; размер изображения при обучении — 256×256, при оценке — 320×320. Для обучения применялась схема RandAugment RA2 с оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Модель принимает изображения и выдает метки классов. Лицензия репозитория — Apache-2.0.

PekingU/rtdetr_v2_r101vd — модель компьютерного зрения на архитектуре RT-DETRv2, разработанной исследователями из Пекинского университета и соавторами. Версия с backbone ResNet-101 VD предназначена для обнаружения объектов на изображениях: она возвращает метки классов, оценки уверенности и координаты рамок. Модель обучена на COCO train2017 и оценивалась на COCO val2017. RT-DETRv2 развивает RT-DETR с помощью выборочного извлечения многомасштабных признаков, дискретного оператора выборки и улучшенных стратегий обучения. Архитектура рассчитана на обнаружение объектов в реальном времени и упрощённое развёртывание на разных платформах. Модель подходит для автономного транспорта, видеонаблюдения, робототехники и анализа розничной торговли. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — Apache-2.0.

PekingU/rtdetr_v2_r50vd — модель RT-DETRv2 для обнаружения объектов на изображениях, основанная на архитектуре трансформера обнаружения. Семейство RT-DETRv2 разработано Вэньюй Лю и соавторами; версия улучшает RT-DETR за счёт выборочного извлечения многомасштабных признаков, дискретного оператора выборки и доработанных стратегий обучения. Модель обучена на COCO train2017 и проверена на COCO val2017. Модель предназначена для обнаружения объектов в реальном времени, включая сценарии автономного вождения, видеонаблюдения, робототехники и анализа розничной торговли. Она выдаёт названия классов, оценки уверенности и ограничивающие рамки. README отмечает сохранение скорости реального времени и улучшение качества относительно предшественника; репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

chenguolin/sv3d-diffusers — преобразованная в формат Diffusers версия чекпойнта SV3D-p от Stability AI. Репозиторий добавляет совместимые с Diffusers пространственно-временную UNet и StableVideo3DDiffusionPipeline, а также скрипты конвертации и инференса. Модель предназначена для создания орбитального видео вокруг 3D-объекта по одному изображению: на вход подают подготовленное изображение объекта с удалённым фоном и центрированным объектом, а на выходе получают 21-кадровую анимацию, например GIF. Для инференса используются PyTorch и библиотека Diffusers; доступен режим половинной точности. Чекпойнт создан на основе SV3D-p и связан с набором данных Objaverse. В метаданных указана лицензия «other», поэтому точные условия использования следует сверить с лицензией исходной модели и файлами репозитория. Результат зависит от предобработки изображения и случайного seed; входное изображение рекомендуется подготовить заранее.

Timer-S1 — модель временных рядов общего назначения, разработанная командой THUML. Она предназначена для прогнозирования временных рядов без дообучения на конкретном наборе данных, в том числе с выдачей прогнозов на разных квантильных уровнях. Модель построена на декодерном Transformer с архитектурой Mixture-of-Experts (MoE). В карточке указаны 8,3 млрд параметров, из которых 0,75 млрд активируются на токен; метаданные каталога указывают 402,7 млн параметров. Максимальная длина контекста — 11 520 шагов по README и 12 800 токенов по метаданным. Метод TimeSTP использует последовательные вычисления для многошагового прогнозирования. Модель особенно ориентирована на среднесрочные и долгосрочные прогнозы; авторы также сообщают об улучшениях краткосрочного и длинноконтекстного прогнозирования после дополнительного обучения. Для запуска поддерживаются CPU и GPU; для GPU авторы рекомендуют не менее 40 ГБ видеопамяти. Модель доступна под лицензией Apache-2.0. Прогнозы могут быть менее надёжны вне распределений и сценариев, представленных в данных предобучения; в карточке результаты качества описаны авторами, поэтому их следует проверять на целевых рядах.

TimesFM 2.5 — модель прогнозирования временных рядов, разработанная Google. Этот репозиторий содержит версию официального чекпойнта TimesFM 2.5, преобразованную для библиотеки Transformers; архитектура и поведение прогнозирования сохранены. Модель имеет архитектуру decoder-only с обработкой входных данных патчами и около 229,4 млн параметров. Модель предназначена для прогнозирования временных рядов по историческим последовательностям. Она формирует точечные и квантильные прогнозы; указанная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors, а для работы используется библиотека Transformers. Модель рассчитана на данные временных рядов, поэтому естественный язык не является её основным входом или выходом. В README указана проверка соответствия прогнозов преобразованной модели результатам официальной реализации на детерминированных входных данных. Лицензия — Apache-2.0.

Модель sanvo/vietnamese-sentiment-phobert — дообученная VinAI/PhoBERT-base модель для классификации тональности отзывов о товарах на вьетнамском языке. Она использует архитектуру RoBERTa с классификационной головой и присваивает тексту одну из трёх меток: положительную, нейтральную или отрицательную. Модель обучалась на более чем 10 тысячах вьетнамских отзывов, сбалансированных по классам и обработанных с сегментацией слов. В README указаны точность 85% и взвешенная F1-мера 0,84. Модель принимает текст и выдаёт метку тональности с оценкой. Размер — 162,4 млн параметров, максимальная длина контекста — 258 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия MIT.

Ultralytics/YOLOv8 — семейство моделей компьютерного зрения, разработанное Ultralytics и основанное на архитектуре YOLO. Эта карточка охватывает предварительно обученные варианты для обнаружения объектов, сегментации экземпляров, классификации изображений и оценки позы; режим трекинга поддерживается для моделей обнаружения, сегментации и позы. Модели обнаружения и сегментации обучены на COCO и распознают 80 классов, а классификационные варианты предварительно обучены на ImageNet с 1000 классами. YOLOv8 предназначена для анализа изображений и видеопотоков: поиска и локализации объектов, построения масок, классификации сцен и объектов, оценки поз и отслеживания объектов. Варианты различаются размером и балансом скорости и точности; в README приведены результаты COCO для входного размера 640 пикселей. Репозиторий содержит веса PyTorch, а для работы предлагается библиотека Ultralytics. Для коммерческого использования README указывает на необходимость запросить корпоративную лицензию Ultralytics; метаданные репозитория указывают лицензию AGPL-3.0. Модель ориентирована на изображения и визуальные данные, не предназначена для понимания текста или аудио. Приведённые метрики относятся к указанным наборам данных и условиям оценки и не гарантируют качество на пользовательских данных.

jiechau/adult-content-identify-image — модель классификации изображений на базе Vision Transformer (ViT) для определения, относится ли товар на фотографии из интернет-магазина к категории товаров для взрослых. Она принимает изображение и относит его к одному из трёх классов: неизвестно, контент для взрослых или обычный товар. Модель содержит 113,2 млн параметров; доступны веса в форматах Safetensors и ONNX. Модель предназначена для фильтрации и разметки изображений товаров в каталогах интернет-магазинов. Её можно использовать для первичной проверки карточек товаров и разделения изображений на категории для последующей модерации. В README приведён пример применения через Transformers pipeline. Карточка не описывает точность, обучающие данные или поведение на пограничных случаях; класс «неизвестно» позволяет учитывать неопределённый результат. Сведения о лицензии в предоставленных данных отсутствуют.

Модель albert-fa-sentipers-3class разработана MahdiAlikhah для классификации персидского текста по тональности. Это дообученная модель ALBERT-base с классификационной головой: она относит предложение или короткий фрагмент к одному из трёх классов — отрицательному, нейтральному или положительному. Модель предназначена прежде всего для анализа отзывов о товарах, похожих на отзывы Digikala из обучающего набора DeepSentiPers. Для текстов из отложенной тестовой выборки DeepSentiPers указаны точность 0,830 и macro F1 0,802. Контекст модели — 512 токенов; при описанной авторами предобработке вход обрезается и дополняется до 128 токенов. Лицензия в метаданных — Apache-2.0; README отмечает, что она унаследована от базовой модели и рекомендует сверить её условия с лицензией базового репозитория. Обучающие данные происходят с одной платформы электронной коммерции, а положительных примеров в наборе больше, чем отрицательных. Качество может снижаться на других жанрах, регистрах, диалектах, смешанном тексте и языках, кроме персидского; сведение исходной пятибалльной шкалы к трём классам теряет различия в интенсивности тональности.

HooshvareLab/bert-fa-base-uncased-sentiment-digikala — модель классификации тональности персидских пользовательских отзывов, созданная на основе ParsBERT v1.1 и дообученная на персидских корпусах. Она предназначена для определения эмоциональной окраски комментариев, в частности отзывов Digikala, и различает три класса: «рекомендуется», «не рекомендуется» и «неопределённо». Модель использует архитектуру BERT для классификации последовательностей, содержит около 190 млн параметров и принимает текстовый контекст длиной до 512 токенов. В README для набора Digikala указан результат F1 81,72. Метаданные указывают Apache-2.0 и доступность весов в форматах PyTorch, TensorFlow и Flax.

Eneskck разработал эту модель как дообученную версию BERTurk для бинарной классификации тональности отзывов о товарах на турецком языке. Модель на базе dbmdz/bert-base-turkish-cased определяет положительную или отрицательную тональность текста; нейтральный класс и анализ тональности по отдельным аспектам не предусмотрены. В карточке указан корпус примерно из 235 тысяч отзывов, а модель содержит 137,8 млн параметров и поддерживает контекст до 512 токенов. На тестовой выборке из 47 029 отзывов автор сообщает accuracy 0,9688 и macro-F1 0,8630; оценка учитывает несбалансированность классов и более слабое качество на отрицательных отзывах. Модель рассчитана на турецкие отзывы о товарах, поэтому её качество на текстах из других областей может снижаться. Этикетки обучающих данных получены из звёздных оценок и могут противоречить содержанию отзыва. Лицензия модели — MIT.

Карточка модели CollectionStudio/chronos-t5-base на Hugging Face совпадает с карточкой amazon/chronos-t5-base, поэтому описание составлено по ней. Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовые наблюдения в токены с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения прогнозов. По нескольким сгенерированным траекториям можно получить вероятностное распределение будущих значений. Модель предназначена для прогнозирования временных рядов по их историческим значениям. Она обучена на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. Архитектура — T5ForConditionalGeneration; размер — 102,2 млн параметров, окно контекста — 512 токенов. Входом служит временной ряд, выходом — числовые прогнозы и выборки будущих траекторий. Репозиторий использует safetensors и библиотеку chronos-forecasting. Модель подходит для прикладного прогнозирования и вероятностной оценки будущих значений по временным данным. README отмечает, что более новая линейка Chronos-Bolt быстрее и экономнее по памяти и показывает меньшую ошибку по сравнению с исходными моделями Chronos того же размера. Лицензия — Apache-2.0.

convnext_pico.d1_in1k — сверточная модель классификации изображений семейства ConvNeXt, обученная Россом Уайтменом с помощью библиотеки timm на ImageNet-1k. Число параметров составляет около 9 млн; модель рассчитана на классификацию изображений и может использоваться как базовая сеть для извлечения признаковых карт и эмбеддингов изображений. Модель обучалась на изображениях размером 224 × 224, а для оценки применяется размер 288 × 288. Она подходит для распознавания объектов и категорий на изображениях, а также для получения визуальных признаков в прикладных системах компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

CommentOpinionExtract — модель на основе ChatGLM, разработанная для извлечения ключевых слов и основных мнений из отзывов об электронной коммерции. Она обучена на 5 000 отзывах Taobao: GPT-4 использовалась для первичного извлечения ключевых слов, после очистки данных на них дообучили ChatGLM. В примерах модель выделяет как положительные оценки, так и претензии к товару, упаковке, цене и эффекту использования. Модель содержит 8,1 млрд параметров и опубликована в формате PyTorch под лицензией Apache 2.0. Карточка указывает китайский язык. Метаданные Hugging Face обозначают задачу как text-classification, тогда как каталог также относит модель к text-generation; примеры README описывают получение текстовых ключевых слов и мнений из отзыва.

facebook/deit-small-distilled-patch16-224 — компактная модель DeiT (Data-efficient Image Transformer) от Facebook/Meta для классификации изображений. Это дистиллированный Vision Transformer с 28,3 млн параметров: изображения разбиваются на патчи 16×16, а дополнительный токен дистилляции помогает модели усваивать знания от CNN-учителя. Веса из репозитория timm были преобразованы для публикации на Hugging Face. Модель предварительно обучена и дообучена с дистилляцией на ImageNet-1k и классифицирует изображения на 1000 классов. Она рассчитана на входное разрешение 224×224 пикселя; при подготовке изображение масштабируется, обрезается по центру и нормализуется по статистикам ImageNet. В README для варианта DeiT-small указана точность top-1 79,9% и top-5 95,0% на ImageNet. Модель подходит для распознавания объектов на фотографиях и как основа для дальнейшего дообучения на пользовательских наборах классов. Она принимает изображения и возвращает предсказания классов. Лицензия — Apache-2.0. Результаты зависят от соответствия изображений и классов обучающим данным ImageNet; для задач с другими классами потребуется дообучение.

ustc-community/dfine-large-coco — реализация модели D-FINE для обнаружения объектов, подготовленная сообществом USTC на базе реализации для Transformers. D-FINE использует архитектуру детектора семейства DETR и переосмысливает регрессию ограничивающих рамок с помощью уточнения мелкозернистого распределения (FDR) и глобальной оптимальной локализации с самодистилляцией (GO-LSD). Модель обучена на COCO; карточка указывает, что вариант large предназначен для обнаружения объектов на изображениях. Модель подходит для поиска и локализации объектов в реальном времени, в том числе в системах автономного вождения, видеонаблюдения, робототехники и аналитики розничной торговли. Она выдаёт классы объектов и ограничивающие рамки; авторы отмечают точность локализации и пригодность для развёртывания на периферийных устройствах и в масштабных системах. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Скорость и точность в конкретной среде зависят от оборудования и условий применения; README не приводит численных показателей производительности для этого варианта.

ustc-community/dfine-large-obj2coco-e25 — реализация D-FINE для библиотеки Transformers, представленная сообществом USTC. Это плотная модель обнаружения объектов на изображениях, основанная на архитектуре D-FINE и классе DFineForObjectDetection. Вариант obj2coco сначала обучен на Object365, затем дообучен на COCO; суффикс e25 указан в идентификаторе модели. В основе D-FINE лежат уточнение распределения координат рамок (FDR) и самодистилляция для глобальной оптимальной локализации (GO-LSD). Модель предназначена для обнаружения объектов в реальном времени, в том числе для автономного вождения, видеонаблюдения, робототехники и анализа розничных пространств. Она принимает изображения и возвращает найденные объекты с рамками и классами. Карточка сообщает об улучшенной точности локализации и пригодности для развёртывания, но не приводит численных показателей производительности именно этого чекпойнта. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

ustc-community/dfine-small-coco — реализация детектора объектов D-FINE для библиотеки Transformers. Архитектура D-FINE переосмысливает регрессию ограничивающих рамок в DETR и использует уточнение мелкозернистого распределения и самодистилляцию для улучшения локализации. Эта версия обучена на COCO; веса опубликованы в формате safetensors, лицензия — Apache 2.0. Модель принимает изображения и обнаруживает на них объекты, возвращая классы и координаты рамок. Она предназначена для детекции в реальном времени и может применяться в автономном вождении, видеонаблюдении, робототехнике и аналитике розничной торговли. Карточка описывает обучение и проверку на наборах COCO train2017 и val2017, но не приводит численных результатов именно этой версии.

Карточка модели ShantyCam/dfine-x-obj365 на Hugging Face совпадает с карточкой ustc-community/dfine-xlarge-obj365, поэтому описание составлено по ней. ustc-community/dfine-xlarge-obj365 — реализация детектора объектов D-FINE для библиотеки Transformers, созданная сообществом USTC на основе архитектуры D-FINE. Модель обучена на датасете Objects365 и предназначена для обнаружения объектов на изображениях с предсказанием их классов и ограничивающих рамок. В D-FINE уточнение распределения координат рамок и глобальная оптимальная локализация с самодистилляцией помогают повышать точность локализации; модель рассчитана на обнаружение объектов в реальном времени. Подходящие сценарии включают видеонаблюдение, робототехнику, автономное вождение и аналитику розничной торговли. Репозиторий использует формат safetensors и библиотеку Transformers. В карточке указана лицензия Apache-2.0. Данных о размере модели и длине контекста нет; текстовые языковые возможности не заявлены.

PIA-SPACE-LAB/dinov3-vitl-pretrain-lvd1689m — производная модель DINOv3 от Meta AI, опубликованная PIA-SPACE-LAB. Это зрительный энкодер Vision Transformer с 402,7 млн параметров, дообученный на основе facebook/dinov3-vit7b16-pretrain-lvd1689m и предназначенный для извлечения признаков изображений. Модель возвращает класс-токен и токены патчей; размер патча — 16 пикселей. Размер изображения должен быть кратен 16: иначе модель обрезает его до ближайшего меньшего подходящего размера. Признаки подходят для поиска похожих изображений, классификации, сегментации, оценки глубины и других задач компьютерного зрения. Их можно использовать без дообучения модели, добавив простой классификатор или применив поиск ближайших соседей. Карточка указывает на различия качества между регионами и доходными группами; тонкая настройка может усилить смещения признаков. Лицензия — DINOv3 License, обозначенная в метаданных как other.

EfficientFormer L3 — модель компьютерного зрения для классификации изображений и извлечения признаков, распространяемая в библиотеке timm. Она предварительно обучена на ImageNet-1k с дистилляцией; архитектура EfficientFormer сочетает подходы vision transformer с высокой скоростью мобильных сетей. Модель содержит около 31,4 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 3,9 GMACs на проход. Модель подходит для определения объектов и категорий на изображениях, а также получения визуальных эмбеддингов для последующей обработки. В карточке приведена точность top-1 82,572% и top-5 96,24% на ImageNet-1k. Лицензия Apache-2.0 разрешает использование на её условиях.

Fashion Image Search — модель поиска похожих товаров в каталоге одежды и аксессуаров по изображению, созданная автором shalev396. Изображение обрабатывает замороженная MobileNetV2 с весами ImageNet и 2 257 984 параметрами: она извлекает вектор признаков размерности 1280, который PCA-проекция сокращает до 256 измерений, после чего вектор нормализуется. Поиск точный, по косинусному сходству среди заранее проиндексированных 8 000 товаров; результаты включают ближайшие совпадения с названием, категорией и миниатюрой. Модель предназначена для визуального поиска по модному каталогу: пользователь загружает фотографию товара и получает визуально похожие позиции. На отложенной выборке из 500 изображений точность совпадения типа товара среди пяти ближайших результатов составила 72,8%, а совпадения главной категории — 97,0%. Репозиторий содержит TensorFlow/Keras-модель извлечения признаков, проекцию PCA и индекс каталога; README также описывает использование через Python, Gradio API и Hugging Face Inference Endpoints. Модель использует только изображения и не была дообучена на данных модной индустрии: ImageNet-признаки отражают формы и текстуры, поэтому поиск находит визуально похожие товары, а не обязательно товары того же бренда, цены или стиля. Индекс ограничен фиксированным каталогом Myntra из 8 000 товаров, в основном снятых на белом фоне; уличные снимки, необычные ракурсы, несколько объектов в кадре и редкие категории снижают качество. Изображение без кадрирования искажается при масштабировании до 224×224. Лицензия — MIT.