IV.1Ритейл, электронная коммерция и fashion-tech

FireRed-Image-Edit-1.1 — универсальная модель редактирования изображений от FireRedTeam, обновлённая версия FireRed-Image-Edit-1.0. Модель принимает изображение и текстовые инструкции для его изменения; в карточке указана поддержка английского и китайского языков. Для обработки используется библиотека Diffusers, веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для творческого и профессионального редактирования: заявлены сохранение узнаваемости людей и персонажей при сложных изменениях, объединение множества элементов, ретушь портретов и макияжа, работа с типографикой, реставрация старых фотографий и виртуальная примерка. README также сообщает об агентном сценарии обработки нескольких изображений, поддержке обучения LoRA и оптимизациях для ускорения генерации. Заявления о качестве и скорости приведены разработчиком; независимые условия воспроизведения этих результатов в карточке не описаны.

resoa/garment-attributes — модель классификации изображений на основе визуального энкодера SigLIP2 с классификационной головой. Её разработала команда resoa, дообучив базовую google/siglip2-base-patch16-224 на экземплярных аннотациях Fashionpedia. Модель предсказывает несколько атрибутов одновременно из набора 218 меток: силуэт, длину, тип воротника, рукава и карманов, застёжку, линию талии, рисунок ткани и особенности отделки. Метки связаны с полями технических спецификаций одежды. Модель принимает кадр с одним предметом одежды; для выделения такого кадра README рекомендует предварительно использовать garment-detector-seg. Веса доступны в формате safetensors, загрузка выполняется через стандартную библиотеку Transformers без удалённого кода. Лицензия модели — Apache 2.0; Fashionpedia, использованный для обучения, распространяется по CC BY 4.0. На валидационной выборке Fashionpedia указаны macro mAP 0,442 и micro F1 0,710 при пороге 0,5. README сообщает, что несколько вариантов обрезки с объединением предсказаний могут улучшить метрики, но требуют дополнительных вычислений. Модель может помогать оценивать видимые конструктивные характеристики изделия и сверять образец с техпаком, однако пригодность отдельных меток для контроля качества зависит от их точности. Она не определяет состав волокон, плотность GSM, мерки, класс стежка или цвет. Для фабричных и flat-lay фотографий данные обучения не вполне подходят; для таких изображений рекомендуется дообучение на соответствующих кадрах.

FlowState — модель временных рядов, выпущенная IBM Research; эта карточка содержит коммерческую версию Granite. Она предназначена для прогнозирования временных рядов без дообучения на конкретном ряду и поддерживает временные масштабы с разной частотой выборки. Архитектура сочетает энкодер на основе модели пространства состояний (SSM) с декодером на функциональном базисе, который строит непрерывный прогноз. Для версии r1.1 указаны 18,5 млн параметров и контекст предварительного обучения длиной 4096; чтобы загрузить её, нужно явно выбрать revision=r1.1, иначе используется версия 1.0. Модель адаптирует длину контекста и прогноза к характеристикам ряда и может выдавать несколько последовательных патчей параллельно. Для настройки масштаба рекомендуется определить сезонность данных и подобрать scale factor; качество прогнозов снижается при горизонте более 30 сезонов. FlowState поддерживает только прогнозирование без дообучения. Предварительное обучение проводилось на подмножествах Gift-Eval Pretrain и Chronos Pretraining Data Corpus. Лицензия — Apache-2.0.

Granite-TimeSeries-TTM-R2 — компактная предварительно обученная модель TinyTimeMixer для прогнозирования многомерных временных рядов, выпущенная IBM Research. Варианты TTM рассчитаны на определённые длины контекста и прогноза; эта версия относится к семейству моделей размером около 1 млн параметров и использует архитектуру TinyTimeMixerForPrediction. Модель поддерживает нулевое прогнозирование и дообучение на данных целевого ряда, включая режимы независимой обработки каналов и смешивания каналов. Модель предназначена для точечного прогнозирования временных рядов от минутной до часовой частоты. Она может использовать экзогенные признаки и статические категориальные данные; для каждого канала требуется предварительное масштабирование. По карточке модели, TTM отличается малыми требованиями к ресурсам и может запускаться на одной GPU или ноутбуке, а дообучение возможно на небольшой доле целевых данных. Версия распространяется по лицензии Apache-2.0. Ограничения включают зависимость выбора варианта от длины контекста, горизонта прогноза и распределения целевых данных. Не рекомендуется искусственно увеличивать короткую историю нулевыми значениями или повышением частоты; поддержка частот ниже часовой в описанной версии ограничена, при этом ежедневные и еженедельные частоты добавлены в выпуске r2.1.

Krea 2 Edit Outfit Transfer — это LoRA-адаптер, опубликованный под идентификатором AliveAi, для модели Krea 2 Edit на базе Krea/Krea-2-Raw. Он предназначен для редактирования изображений с переносом одежды с референсного изображения на сгенерированного персонажа при сохранении его внешности и позы. Модель используется в рабочих процессах Krea 2 Edit и требует специального формата референсных изображений одежды, а также одного из узлов ComfyUI: comfyui-krea2edit или ComfyUI-Krea2-Ostris-Edit. Для активации в запрос необходимо включать фразу «transfer the outfit». Предусмотрены два workflow: вариант с comfyui-krea2edit обеспечивает более точный перенос одежды, но работает медленнее; вариант с ComfyUI-Krea2-Ostris-Edit значительно быстрее, однако может хуже сохранять соответствие наряду. Модель в основном обучалась на женской одежде, поэтому для таких сценариев ожидаются лучшие результаты. Иногда изображение может содержать двух людей вместо одного; это можно исправить сменой seed или явным указанием единственного человека в запросе. Данные о размере, языках, максимальном контексте и лицензии в README не указаны.

Moirai-1.0-R-Large — крупная модель временных рядов, разработанная Salesforce. Это masked encoder-based Transformer, предварительно обученный на данных LOTSA и предназначенный для прогнозирования временных рядов. В README для семейства указано 311 млн параметров у версии Large, а метаданные каталога — 352,3 млн параметров; доступные веса представлены в формате safetensors. Для запуска авторы рекомендуют библиотеку uni2ts. Модель рассчитана на прогнозирование целевых переменных, в том числе с учётом динамических ковариат, значения которых известны на горизонте прогноза. Её можно применять для построения прогнозов по многомерным временным рядам. Карточка описывает выпуск как исследовательский и рекомендует отдельно оценивать точность и пригодность модели для конкретного применения. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

onnx-community/ormbg-ONNX — модель для удаления фона и сегментации изображений, основанная на schirrmacher/ormbg и опубликованная сообществом onnx-community. Она предназначена для автоматического выделения объекта на изображении с формированием маски, которую можно сохранить как PNG или преобразовать в Canvas либо Blob. Модель интегрируется с библиотекой Transformers.js и рассчитана на использование в JavaScript-приложениях, в том числе в браузере или средах, поддерживающих эту библиотеку. В карточке указано назначение image-segmentation и тег background-removal, однако сведения об архитектуре, количестве параметров, размере, поддерживаемых языках, модальностях и длине контекста отсутствуют. Также не приведены количественные оценки качества, поэтому сильные стороны можно подтвердить только на уровне специализированного сценария удаления фона, а ограничения производительности и точности требуют самостоятельного тестирования на целевых изображениях. Модель распространяется по лицензии Apache-2.0.

Модель mr4/phobert-base-vi-sentiment-analysis разработана автором репозитория mr4 на основе PhoBERT-Base от VinAI. Это модель классификации последовательностей на архитектуре RoBERTa с 162,4 млн параметров, предназначенная для определения тональности вьетнамских текстовых отзывов. Она присваивает тексту метку «позитивный», «негативный» или «нейтральный» и показывает оценки для этих классов. Модель обучена на отредактированной выборке из 31 436 отзывов о товарах. Модель использует библиотеку Transformers и доступна в форматах PyTorch и Safetensors. Её контекст составляет 258 токенов; основной язык — вьетнамский. Лицензия в предоставленных данных не указана.

shalev396/purchase-propensity — набор компактных моделей и сегментации RFM для электронной торговли. Основная модель по умолчанию — логистическая регрессия scikit-learn с 24 параметрами; также доступны MLP на PyTorch с 3 649 параметрами и сегментация клиентов по давности, частоте и сумме покупок. Модели классифицируют однодневные сессии сайта по 23 бинарным признакам, например добавлению товара в корзину, просмотру оформления заказа, входу в аккаунт и типу устройства. Модель предназначена для оценки склонности посетителя к покупке в текущей сессии, ранжирования сессий и выделения клиентских сегментов для анализа электронной торговли. Для обученной модели автор приводит ROC-AUC 0,9974 и PR-AUC 0,8995 на тестовой выборке; логистическая регрессия выбрана моделью по умолчанию как более компактная и интерпретируемая. Репозиторий распространяется по лицензии MIT. Вероятности не откалиброваны из-за балансировки классов при обучении, поэтому их не следует трактовать как буквальную вероятность покупки. Признаки позднего этапа воронки могут фактически отражать уже начавшееся оформление заказа: это оценка намерения в текущей сессии, а не ранний прогноз. Данные получены для одного магазина и ограниченного периода; качество на других магазинах и новых типах сессий не установлено.

Qwen-Image-Edit-2509-Fusion — адаптер LoRA для модели Qwen-Image-Edit-2509, разработанный автором dx8152 и обученный с использованием инфраструктуры ModelScope. Модель предназначена для задач image-to-image и融合 изображений: интеграции продукта или объекта в фон с согласованием перспективы, освещения и визуального окружения. Адаптер используется совместно с базовой моделью Qwen/Qwen-Image-Edit-2509 и, согласно README, требует также LoRA Qwen-Image-Lightning. Для активации указаны триггерные слова «溶图» и «纠正产品透视角度和光影并使产品融入背景», связанные соответственно с объединением изображений и коррекцией перспективы, света и интеграцией продукта в фон. Сведения о размере, точной архитектуре базовой модели, поддерживаемых языках и максимальном контексте не приведены. Основная сильная сторона модели — специализация на реалистичном совмещении объектов и фонов с коррекцией перспективы и освещения. Ограничения включают зависимость от совместного использования базовой модели и дополнительного Lightning LoRA, а также отсутствие подробных данных о качестве, параметрах и рекомендуемых настройках. В карточке указана лицензия Apache-2.0.

Qwen-Image-Edit-Remover-General-LoRA — адаптер LoRA для модели Qwen/Qwen-Image-Edit, разработанный AI Laboratory компании Chongqing Valiant Cat Technology Co., Ltd. Модель предназначена для удаления объектов с изображений, включая фотографии товаров для электронной коммерции, персонажей и различные предметы, с использованием image-to-image редактирования. Адаптер ориентирован на работу в ComfyUI и интегрируется в модифицированный workflow Qwen-Image-Edit. Также заявлена совместимость с Diffusers и пайплайном QwenImageEditPipeline. Для указания объекта используется текстовый запрос, например «从场景中移除XXX» («удалить XXX из сцены»), однако фиксированная trigger-фраза отсутствует, а формулировки запросов требуют подбора. Ключевая заявленная особенность — сохранение исходной сцены и неизменённых областей изображения при удалении выбранного объекта. README не содержит сведений о размере адаптера, архитектуре базовой модели, поддерживаемых языках помимо примеров на английском и китайском, максимальном разрешении или длине контекста. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

ResNeXt-101 32x32d — модель классификации изображений и визуальная основа для извлечения признаков, опубликованная авторами timm. Она использует архитектуру ResNeXt с группированными свёртками 3×3 в bottleneck-блоках, активациями ReLU, начальной свёрткой 7×7 с пулингом и shortcut-соединениями с проекцией 1×1. Модель предварительно обучена на хештегах Instagram-1B методом слабого учителя, а затем дообучена на ImageNet-1k. Модель содержит около 468,5 млн параметров и рассчитана на изображения размером 224×224. Она подходит для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Репозиторий содержит веса PyTorch и safetensors; для работы используется библиотека timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Русскоязычный классификатор тональности отзывов, разработанный как проект Capstone #1 в Attractor School. Это модель BERT для классификации последовательностей, дообученная на ai-forever/ruBert-base; число параметров — 205,5 млн, максимальная длина контекста — 512 токенов. Модель относит русскоязычные отзывы к положительным, отрицательным или нейтральным и подходит для анализа пользовательских отзывов из разных источников. В README указана точность 77% на тестировании. Модель обучалась один эпоху на наборе отзывов из нескольких областей, включая маркетплейсы, кино, аниме и геолокационные сервисы, поэтому качество может меняться на специализированных темах. Распространяется по лицензии Apache-2.0.

Sundial Base 128M — генеративная базовая модель временных рядов семейства Sundial. Согласно карточке, она предварительно обучена на более чем 1 трлн временных точек и использует 128 млн параметров. Архитектура — причинный декодерный Transformer: числовой ряд разбивается на патчи длиной 16 и преобразуется в токены. Для генерации прогнозов модель применяет вероятностное моделирование и flow matching. Модель предназначена для прогнозирования временных рядов без дообучения на конкретном наборе данных, включая точечные и вероятностные прогнозы. Генерация нескольких возможных сценариев позволяет получать статистические оценки, в том числе квантили и интервалы неопределённости. В README сообщается о результатах на бенчмарках GIFT-Eval и Time-Series-Library; это заявления авторов карточки, а не независимая оценка. В карточке модели контекст указан как 10 000 токенов, тогда как README приводит длину контекста до 2880; для практического применения следует учитывать расхождение. Модель принимает числовые временные ряды и выдаёт прогнозы. Она распространяется по лицензии Apache-2.0; для стабильной совместимости README рекомендует Transformers 4.40.1 и Python 3.10.

TimesFM 2.0 500M — предварительно обученная фундаментальная модель временных рядов для прогнозирования, разработанная Google Research. Это декодерная модель семейства TimesFM с 573,4 млн параметров; репозиторий содержит веса в формате safetensors и предназначен для запуска через библиотеку TimesFM на PyTorch. Модель не является официально поддерживаемым продуктом Google. Модель прогнозирует одномерные временные ряды: принимает исторический контекст длиной до 2048 точек и строит прогноз на заданный горизонт; при работе можно указать частотный индикатор. Основной режим — точечный прогноз. Также доступны экспериментальные квантильные выходы, но они не калиброваны после предварительного обучения. Для корректной работы желательно подавать непрерывный ряд без пропусков и сохранять одинаковую частоту в контексте и горизонте; пропущенные значения README предлагает заполнять линейной интерполяцией. Модель подходит для прогнозирования временных рядов в различных областях, однако конкретные отраслевые гарантии качества в карточке не заявлены. Распространяется по лицензии Apache-2.0.

TLive-Omni-4B — мультимодальная модель понимания для прямых трансляций электронной торговли, разработанная командой TaoLiveAIGC. Она объединяет изображения, видео, аудио и текст и формирует ответы в виде текста. Модель предназначена для анализа трансляций и диалога по их содержимому; заявлены распознавание речи, анализ говорящих, привязка объектов и текста к изображению, временная привязка событий, подробное описание видео и мультимодальные ответы на вопросы. В основе модели лежит Qwen3.5, дополненный аудиоэнкодером AuT и лёгким MLP-выравнивателем. Для видео с аудио временные фрагменты организуются в сетки с метками времени, чтобы сохранять связь между звуковыми и визуальными сегментами. README заявляет контекст до 256 тысяч токенов и обучение в три этапа SFT с последующей донастройкой Faithful-RFT. Модель доступна в формате safetensors и использует библиотеку Transformers. Модель рассчитана на сценарии live commerce, но также заявлена способность обобщать на общие задачи понимания изображений и видео. Для запуска README указывает Python 3.10, Linux x86_64, CUDA 12.8 и PyTorch 2.10.0; готовая сборка предназначена для NVIDIA H20. Лицензия репозитория — Apache-2.0. Ограничения по качеству не приведены; описанная конфигурация запуска привязана к указанному программному окружению и оборудованию.

Модель ViT-Base/16 от timm — визуальный трансформер для классификации изображений и извлечения признаков. Её предварительно обучили на парах изображение–текст LAION-2B с помощью OpenCLIP, затем дообучили на ImageNet-12k и ImageNet-1k. Модель содержит 86,6 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и подходит для классификации объектов, а также получения визуальных эмбеддингов для последующего поиска или анализа. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

vit_base_patch16_siglip_gap_384.v2_webli — визуальный энкодер SigLIP 2 на архитектуре ViT, опубликованный в библиотеке timm. Модель принимает изображения и извлекает их признаки; вариант gap использует глобальное среднее объединение признаков и не содержит головы attention pooling. Модель обучена на наборе WebLI и предназначена для получения визуальных представлений, которые можно использовать в системах поиска изображений и других конвейерах извлечения признаков. Это только визуальная часть модели, а не полный мультимодальный энкодер изображений и текста. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache 2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), опубликованная в библиотеке timm. Она предварительно обучена на парах изображение–текст из LAION-2B с использованием OpenCLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 88,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям и может использоваться как визуальный backbone для извлечения эмбеддингов. Подходит для распознавания объектов и категоризации изображений в прикладных и исследовательских системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; библиотека для работы с моделью — timm. Модель ориентирована на визуальные входы и выдаёт классы или векторные представления изображений. В карточке не заявлена поддержка текстовых запросов в качестве входа или мультимодального вывода. Лицензия — Apache-2.0.

YanoljaNEXT-Rosetta-12B-2510 — мультиязычная языковая модель Yanolja NEXT, дообученная на основе google/gemma-3-12b-pt. Это плотная decoder-only модель архитектуры Gemma 3 с 11,6 млрд параметров; для текстовых задач используется компонент Gemma3ForCausalLM. Модель предназначена для перевода структурированных данных в формате JSON с сохранением исходной структуры. Контекстное окно составляет 131 072 токена, модель работает через библиотеку Transformers и распространяется в формате safetensors. Модель обучалась на синтетических данных для перевода, созданных на основе FineWeb Edu и FineWeb2, и рассчитана на 32 языка: арабский, болгарский, китайский, чешский, датский, нидерландский, английский, финский, французский, немецкий, греческий, гуджарати, иврит, хинди, венгерский, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тагальский, тайский, турецкий, украинский и вьетнамский. Среди подходящих сценариев — локализация товарных каталогов и перевод отзывов об отелях. В опубликованном сравнении для перевода с английского на корейский модель показала результат CHrF++ 37,36 на WMT24++. Модель в первую очередь оптимизирована для JSON; качество на обычном тексте и других форматах может отличаться. Возможны некорректный JSON, повторы и неточный перевод. Лицензия — Gemma; перед использованием следует учитывать её условия.

Piero2411/YOLOV8s-Barcode-Detection — дообученная разработчиком модель Ultralytics YOLOv8s для обнаружения штрихкодов и QR-кодов на изображениях. Она построена на небольшой версии архитектуры YOLOv8 и обучена на пользовательском наборе из более чем 5 000 изображений с разными типами штрихкодов, включая EAN13 и Code128, и QR-кодами. Модель предназначена для поиска и локализации штрихкодов и QR-кодов в изображениях, например, в системах автоматизированного сканирования товаров, посылок и доставок. README приводит метрики валидации: precision 0,97545, recall 0,99127 и mAP50 0,98643; эти результаты относятся к обучению и валидации автора и не гарантируют такую же точность на других данных. Число 11,2 млн параметров указано для базовой YOLOv8s, а не подтверждено отдельно для этой версии. Модель принимает изображения и выдаёт классы и рамки обнаруженных объектов. Для запуска требуется библиотека Ultralytics. Репозиторий распространяется по лицензии AGPL-3.0.

Это компактная Sentence Transformer модель, разработанная автором репозитория swardiantara и дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает BERT с усредняющим pooling; модель содержит 4,4 млн параметров и принимает текст длиной до 128 токенов по карточке модели, при контекстном лимите 512 токенов в метаданных. Обучение проводилось на 200 010 примерах пар отзывов Amazon с метками сходства. Модель подходит для семантического поиска, извлечения признаков и ранжирования кандидатов по близости векторов. Базовая модель англоязычная, а примеры обучающего набора — англоязычные отзывы, поэтому наиболее обоснованное применение — работа с английским текстом. Использование описано для библиотеки Sentence Transformers; лицензия в предоставленных данных не указана.

Это компактная модель Sentence Transformers, разработанная swardiantara и дообученная на google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128, предназначенные для поиска и сравнения текстов по косинусному сходству. В архитектуре используются BERT с усредняющим pooling; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным. README указывает максимум 128 токенов, поэтому при более длинном вводе следует учитывать возможное усечение. Модель обучалась на парах отзывов Amazon и подходит для семантического поиска и извлечения похожих отзывов. Базовая модель англоязычная, поэтому основное применение — английский текст. Файлы опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

Это англоязычная Sentence Transformer модель, дообученная автором swardiantara на базе компактной BERT-модели Google google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. В архитектуре используется BERT с двумя слоями и mean pooling; модель обучалась на парах отзывов Amazon и рассчитана на работу с текстом длиной до 128 токенов согласно README, при контекстном окне 512 токенов в метаданных. Модель подходит для семантического поиска отзывов, подбора похожих пользовательских мнений и извлечения текстовых признаков. Она компактна — 4,4 млн параметров — и может применяться в сценариях с ограниченными вычислительными ресурсами. Обучение на отзывах Amazon может ограничивать качество на других тематиках и типах текстов; поддерживается только текстовый ввод. Репозиторий содержит веса safetensors, библиотека — Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели lygitdata/BiRefNet_garmentiq_backup на Hugging Face совпадает с карточкой ZhengPeng7/BiRefNet, поэтому описание составлено по ней. BiRefNet — модель компьютерного зрения для высокоразрешающей дихотомической сегментации изображений, представленная авторами одноимённой научной работы и разработанная исследователями из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Репозиторий содержит веса BiRefNet в формате safetensors и предназначен для запуска инференса через библиотеку birefnet. Модель выделяет основной объект на изображении и формирует маску сегментации. Её можно применять для удаления фона, обнаружения заметных объектов и обнаружения замаскированных объектов. Архитектура указана как BiRefNet; работа посвящена сегментации изображений высокого разрешения. Репозиторий распространяется по лицензии MIT.

Chronos-T5 Tiny — компактная предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она основана на архитектуре T5; временные ряды масштабируются и квантуются в последовательности токенов, после чего модель авторегрессионно генерирует возможные будущие значения. Выборка нескольких траекторий позволяет получить вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Её обучали на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Tiny указано 8 млн параметров и база t5-efficient-tiny; метаданные каталога указывают 4,7 млн параметров. Контекст составляет 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку chronos-forecasting. Лицензия — Apache 2.0.

CvT-13-384-22k — свёрточный Vision Transformer (CvT), впервые опубликованный авторами Wu et al. в работе «CvT: Introducing Convolutions to Vision Transformers». Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k для классификации изображений с разрешением 384×384 пикселя. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её можно применять для классификации фотографий и как визуальный компонент прикладных систем, которым нужны метки классов. Репозиторий содержит веса PyTorch и TensorFlow; лицензия — Apache-2.0.

DeiT-III medium patch16 224 — модель классификации изображений и извлечения признаков, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Она использует архитектуру Vision Transformer с патчами 16 × 16 и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит 38,8 млн параметров и может выдавать классы изображений или эмбеддинги для последующей обработки. Модель подходит для классификации объектов на изображениях и как визуальная основа для задач, которым нужны признаки изображения. В README приведены примеры для классификации и извлечения эмбеддингов. Репозиторий распространяется по лицензии Apache-2.0.

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

ustc-community/dfine-medium-obj2coco — модель обнаружения объектов на изображениях на основе архитектуры D-FINE, представленная сообществом USTC и реализованная для Transformers. Чекпойнт сначала обучен на Object365, затем дообучен на COCO; формат весов — Safetensors, лицензия — Apache-2.0. Модель предназначена для обнаружения объектов и точной локализации рамками в сценариях реального времени. В README среди примеров применения названы автономное вождение, видеонаблюдение, робототехника и аналитика розничной торговли. В основе D-FINE лежат уточнение распределения регрессии рамок и самодистилляция для глобально оптимальной локализации; карточка также описывает обучение и оценку на COCO.