IV.1Ритейл, электронная коммерция и fashion-tech

Модель swardiantara/bert-tiny-amazon_reviews-k5-adaptive-euclidean — компактный Sentence Transformer, дообученный автором на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует текст предложений и абзацев в плотные векторы размерностью 128 для поиска и сравнения по косинусному сходству. Архитектура состоит из BertModel и среднего pooling; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным, хотя карточка модели указывает максимальную длину 128 токенов. Обучение проводилось на 4 200 100 парах текстов с метками; примеры в карточке относятся к отзывам Amazon. Модель подходит для семантического поиска отзывов, извлечения эмбеддингов и поиска похожих предложений в англоязычных текстах. Лицензия в предоставленных данных не указана.

CoAtNet RMLP 2 RW 384 — модель компьютерного зрения для классификации изображений из библиотеки timm, обученная Россом Уайтманом. Она сочетает свёрточные блоки MBConv на ранних этапах обработки с блоками self-attention на последующих; относительное позиционное смещение использует MLP Log-CPB, мотивированный Swin Transformer V2. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Модель содержит 73,9 млн параметров, рассчитана на изображения размером 384 × 384 и может использоваться как классификатор или визуальный backbone для извлечения признаков и эмбеддингов. Она предназначена для распознавания объектов и категорий на изображениях общего назначения. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка не приводит метрики именно этой конфигурации. Высокое разрешение и вычислительная стоимость (47,7 GMACs) могут ограничивать скорость обработки и применение на маломощном оборудовании.

ConvNeXt Base — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная в библиотеке timm. Модель содержит около 88,6 млн параметров; её предварительно обучили на ImageNet-22k, а затем дообучили на ImageNet-1k. Указаны размеры изображений 224×224 для обучения и 288×288 для тестирования. Модель подходит для определения объектов и сцен по изображению, а также как визуальная основа для извлечения карт признаков и эмбеддингов в последующих задачах. В README приведены показатели на ImageNet-1k: top-1 85,8% и top-5 97,9%. Для работы нужны изображения; основной результат классификации — метки классов. Лицензия репозитория — Apache-2.0.

facebook/detr-resnet-50-dc5 — модель обнаружения объектов от Facebook, построенная на архитектуре DETR: энкодер-декодер Transformer с backbone ResNet-50 и дилатированным этапом C5. Она обучена сквозным образом на COCO 2017 и предназначена для поиска объектов на изображениях, классификации найденных объектов и предсказания их ограничивающих рамок. Для COCO используется 100 объектных запросов; модель сопоставляет предсказания с разметкой методом венгерского алгоритма и оптимизируется по классификационной и рамочной функциям потерь. Модель принимает изображения и выдаёт классы объектов и координаты рамок. На валидационной части COCO 2017 достигла AP 43,3. Метаданные указывают 6,3 млн параметров, однако это значение может не отражать полный размер архитектуры ResNet-50 DETR. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Обучение на COCO задаёт область распознавания и может ограничивать качество на объектах и сценах, отличающихся от набора данных.

ustc-community/dfine-medium-coco — реализация детектора объектов D-FINE для Transformers. Архитектуру D-FINE предложили Янсон Пэн, Хэбэй Ли, Пэйси У, Юэйи Чжан, Сяоянь Сунь и Фэн У; эту версию для Hugging Face подготовили участник VladOS95-cyber при содействии qubvel-hf. Модель обучена на COCO и предназначена для обнаружения объектов на изображениях с предсказанием классов и ограничивающих рамок. D-FINE использует подход DETR с уточнением распределения для регрессии рамок (FDR) и дистилляцией локализации (GO-LSD). Карточка позиционирует её как быстрый детектор для сценариев реального времени, включая автономное вождение, видеонаблюдение, робототехнику и аналитику розничной торговли. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Карточка модели ShantyCam/dfine-x-coco на Hugging Face совпадает с карточкой ustc-community/dfine-xlarge-coco, поэтому описание составлено по ней. ustc-community/dfine-xlarge-coco — реализация D-FINE для Transformers, основанная на работе Янсонга Пэна и соавторов; модель предоставлена сообществом USTC. Это детектор объектов, обученный на COCO: по изображению он находит объекты и предсказывает их классы и ограничивающие рамки. Архитектура D-FINE использует уточнение распределения для регрессии рамок и самодистилляцию для улучшения локализации; модель распространяется в формате Safetensors. Модель предназначена для обнаружения объектов в реальном времени и может применяться в автономном вождении, системах видеонаблюдения, робототехнике и аналитике розничной торговли. Карточка описывает обучение и оценку на COCO. Лицензия — Apache 2.0. Размер модели и контекст здесь не относятся к применимым характеристикам.

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.

MohamedRashad/diffusion_fashion — модель генерации изображений на основе Stable Diffusion, дообученная на базе openjourney для создания изображений модной одежды и товаров. Она предназначена для генерации изображений по текстовым запросам, связанным с одеждой и fashion-продукцией, и распространяется в формате Diffusers с весами safetensors. Модель принимает текстовые описания и генерирует изображения; для запуска в README показан StableDiffusionPipeline из библиотеки diffusers с использованием CUDA и float16. Карточка указывает лицензию OpenRAIL. Качество и надёжность генерации для запросов вне модной тематики в карточке не охарактеризованы.

facebook/dinov3-convnext-large-pretrain-lvd1689m — зрительная модель Meta AI семейства DINOv3 на архитектуре ConvNeXt Large. Она обучена на веб-изображениях набора LVD-1689M методом дистилляции от DINOv3 ViT-7B и предназначена для извлечения плотных признаков изображений для последующих задач компьютерного зрения. Модель принимает изображение и формирует признаки, пригодные для классификации, поиска похожих изображений, оценки глубины, семантической сегментации и обнаружения объектов без учителя. Замороженные признаки рассчитаны на использование без дообучения; для отдельных сценариев поверх них можно обучить простой классификатор или другой небольшой модуль. Репозиторий использует формат safetensors и библиотеку Transformers. В карточке указана лицензия DINOv3 License, а метаданные классифицируют её как лицензию other. Описанные для семейства DINOv3 ограничения включают различия качества между регионами и категориями дохода; дообучение может усилить смещения, связанные с разметкой целевых данных.

DINOv3 ViT-7B/16 — зрительная модель Meta AI, предварительно обученная с нуля на наборе веб-изображений LVD-1689M. Это Vision Transformer с размером патча 16, размерностью представления 4096, 32 головами и четырьмя register-токенами; модель содержит около 6,716 млрд параметров. Она принимает изображения и возвращает токены класса, патчей и регистров, формируя плотные признаки для последующих задач компьютерного зрения. Для изображений 224×224 получается 201 токен; размеры изображения могут быть больше, если стороны кратны 16. Модель предназначена для использования как универсальная основа зрения без дообучения: её признаки подходят для классификации изображений, поиска похожих изображений, сегментации, оценки глубины, обнаружения объектов и анализа видео. При необходимости признаки можно использовать с простыми классификаторами или дообучить модель. В карточке указана лицензия DINOv3 License; условия следует сверять с её текстом. Описаны различия качества между географическими регионами и снижение результатов для группы стран с низким доходом; дообучение может усилить смещения.

Карточка модели PIA-SPACE-LAB/dinov3-vit7b16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vit7b16-pretrain-lvd1689m, поэтому описание составлено по ней. DINOv3 ViT-7B/16 — зрительная модель Meta AI, предварительно обученная с нуля на наборе веб-изображений LVD-1689M. Это Vision Transformer с размером патча 16, размерностью представления 4096, 32 головами и четырьмя register-токенами; модель содержит около 6,716 млрд параметров. Она принимает изображения и возвращает токены класса, патчей и регистров, формируя плотные признаки для последующих задач компьютерного зрения. Для изображений 224×224 получается 201 токен; размеры изображения могут быть больше, если стороны кратны 16. Модель предназначена для использования как универсальная основа зрения без дообучения: её признаки подходят для классификации изображений, поиска похожих изображений, сегментации, оценки глубины, обнаружения объектов и анализа видео. При необходимости признаки можно использовать с простыми классификаторами или дообучить модель. В карточке указана лицензия DINOv3 License; условия следует сверять с её текстом. Описаны различия качества между географическими регионами и снижение результатов для группы стран с низким доходом; дообучение может усилить смещения.

DINOv3 ViT-H+ — визуальная модель семейства DINOv3, разработанная Meta AI и представленная в репозитории как дообученная версия facebook/dinov3-vit7b16-pretrain-lvd1689m. Это Vision Transformer с патчами размером 16; вариант ViT-H+ насчитывает около 840 млн параметров, использует 4 register-токена и выдаёт class-токен, patch-токены и register-токены. Модель принимает изображения, а её выходы используются как признаки для последующих компьютерно-зрительных задач. Модель предназначена для извлечения универсальных визуальных признаков и может применяться без дополнительного дообучения как основа для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и обнаружения объектов. Для входа 224×224 получается 201 токен; размеры изображения должны быть кратны 16, иначе изображение обрезается до ближайшего меньшего размера, кратного размеру патча. В README описаны признаки семейства DINOv3, полученные на веб-данных, а не отдельные параметры обучения именно этого чекпойнта. В карточке отмечены сильные результаты на широком круге визуальных задач, но также различия качества между географическими регионами и уровнями дохода; дообучение может усилить смещения, связанные с метками. Репозиторий распространяется по лицензии DINOv3 License (в метаданных указано other); перед использованием следует проверить её условия.

Карточка модели yuvraj108c/dinov3-vitl16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vitl16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vitl16-pretrain-lvd1689m — визуальная модель семейства DINOv3, разработанного Meta AI. Это вариант Vision Transformer ViT-L, дообученный на веб-наборе LVD-1689M; модель предназначена для извлечения универсальных признаков изображений, которые можно использовать в задачах компьютерного зрения без дополнительного обучения или с лёгкой классификационной головой. Модель принимает изображения и формирует признаки класса и патчей. Архитектура ViT использует патчи размером 16 пикселей и поддерживает изображения с размерами, кратными 16; изображения других размеров обрезаются до ближайшего меньшего кратного. Признаки применимы для классификации, поиска похожих изображений, сегментации, оценки глубины и обнаружения объектов. Карточка описывает семейство DINOv3, включая вариант ViT-L на 300 млн параметров; отдельный размер контекста к этой модели не относится. В карточке отмечены различия качества между регионами и снижение результатов для географических групп с низким доходом; дообучение на целевых метках может усилить смещения. Указана лицензия DINOv3 License (в метаданных — other), поэтому условия использования следует сверять с текстом лицензии репозитория.

mkarthik/distilbert-base-uncased-finetuned-product — модель на архитектуре DistilBERT, опубликованная пользователем mkarthik на Hugging Face и реализованная для PyTorch и Transformers. Она предназначена для задачи fill-mask: восстановления пропущенного слова или фрагмента в тексте, с настройкой на продуктовую тематику, судя по идентификатору модели. Модель работает с текстовой модальностью, использует контекст длиной до 512 токенов и применяется через pipeline fill-mask или AutoModelForMaskedLM. DistilBERT — компактная дистиллированная версия BERT, ориентированная на более эффективное выполнение языковых задач при сохранении двунаправленного контекстного представления. В карточке модели отсутствует описание набора данных, точных метрик, числа параметров и лицензии, поэтому эти характеристики нельзя достоверно указать.

EVA-02 Small Patch14 224 MIM In22k — модель визуальных представлений семейства EVA-02, опубликованная авторами статьи и доступная в библиотеке timm. Это Vision Transformer с 21,6 млн параметров, размером входного изображения 224 × 224, mean pooling, SwiGLU и Rotary Position Embeddings. Модель предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также может служить основой для классификации изображений. Её можно использовать как визуальный backbone в системах поиска по изображениям, сравнения изображений и построения downstream-моделей компьютерного зрения. Чекпойнт timm сохранён в float32; в оригинальных чекпойнтах встречаются float16 и bfloat16. Лицензия — MIT.

fastvit_mci0.apple_mclip2_dfndr2b — модель семейства MobileCLIP v2, представленная как только визуальный энкодер для библиотеки timm. Она обучена на наборе данных DFNDR-2B и предназначена для извлечения признаков изображений, например для последующего поиска или сравнения изображений по эмбеддингам. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apple AMLR. Карточка связывает модель с работой MobileCLIP2: Improving Multi-Modal Reinforced Training.

goia-forecast-nano-v0 — вероятностная модель временных рядов, разработанная командой gredio и обученная с нуля. Модель насчитывает 4,73 млн параметров и предназначена для прогнозирования временных рядов без дополнительного обучения на целевой задаче: в оценке GIFT-Eval она показала CRPS 0,553 и MASE 0,815 по геометрическому среднему для 97 конфигураций. Архитектура включает нормализацию RevIN, адаптивный многомасштабный энкодер патчей, блоки причинных свёрток с локальным и глобальным вниманием и декодер, который за один проход формирует девять квантилей на весь горизонт прогноза. Модель работает только с одномерными рядами, не принимает ковариаты и не поддерживает многомерное прогнозирование; каналы следует прогнозировать отдельно. Для ряда нужны как минимум восемь конечных значений, а пропуски и бесконечности в контексте автоматически интерполируются. Модель обучена преимущественно на GiftEvalPretrain, а также на синтетических рядах TempoPFN и KernelSynth; часть обучения включала дистилляцию от Chronos-2. В README отмечены слабые результаты на почасовых данных с выраженной сезонностью, почти детерминированных погодных рядах и частотах короче минуты. Лицензия — MIT.

LLMDet large — модель обнаружения объектов с открытым словарём, разработанная авторами работы «LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models». Она развивает MM Grounding DINO и Grounding DINO: при обучении модель совместно обучали с большой языковой моделью, а для инференса языковая модель не требуется. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для zero-shot-обнаружения объектов по текстовым описаниям категорий, в том числе классов, не заданных фиксированным набором меток. Её можно применять для поиска и локализации объектов на изображениях по запросу. В карточке приведены результаты оценки на LVIS; размер модели, поддерживаемые языки и длина контекста не указаны. Модель обучалась на Objects365v1, Open Images v6, GOLD-G и GroundingCap-1M. Лицензия — Apache-2.0. Карточка описывает вариант только для инференса; качество может зависеть от формулировки запроса, а результаты на других данных могут отличаться от оценки на LVIS.

AnnaZhang/lwdetr_xlarge_60e_coco — модель обнаружения объектов LW-DETR, основанная на архитектуре Light-Weight Detection Transformer и опубликованная в Transformers. Она предназначена для детекции объектов на изображениях с балансом скорости и точности, в том числе для сценариев реального времени. Модель использует ViT-энкодер с чередованием оконного и глобального внимания, свёрточный проектор C2f и неглубокий трёхслойный декодер DETR с deformable cross-attention. Для крупных вариантов декодер получает признаки двух масштабов. Модель обучалась на Objects365 с последующим обучением на COCO 2017. Она принимает изображения и выдаёт классы объектов и их ограничивающие рамки; в Transformers доступна в формате safetensors. Лицензия — Apache-2.0. Карточка не указывает конкретное число параметров, контекст здесь не применим.

mini1013/master_item_top_el_flat — модель классификации текста на базе SetFit, построенная на klue/roberta-base. В ней используется дообученный Sentence Transformer на основе RoBERTa для получения представлений текста и классификатор LogisticRegression. Модель содержит 137,8 млн параметров, поддерживает последовательности длиной до 514 токенов и относит текст к одному из 232 классов. Модель предназначена для классификации коротких корейских описаний товаров и товарных категорий, включая примеры из каталога Naverstore. В README сообщается об accuracy 0,9082 на наборе метрик модели, но не уточняется методика оценки. Модель выпущена под лицензией, сведения о которой в доступных данных отсутствуют.

MM Grounding DINO Tiny — модель компьютерного зрения из семейства MM Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection» и опубликованная сообществом OpenMMLab. Она предназначена для обнаружения объектов по текстовым запросам в режиме zero-shot: пользователь задаёт названия или описания объектов, а модель находит соответствующие области на изображении. Вариант Tiny использует backbone Swin-T и обучен на Objects365v1 и GOLD-G. Модель улучшает контрастивную классификационную голову Grounding DINO и использует декодер без разделения параметров между слоями. В README приведены результаты на COCO и LVIS, включая zero-shot mAP 50,4 на COCO. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. Модель подходит для поиска объектов по свободно задаваемым текстовым категориям и построения систем визуального поиска или разметки. Её задача — обнаружение объектов на изображениях; поддержка видеовхода не заявлена. Результаты зависят от формулировки запроса и состава обучающих данных; README не описывает ограничения подробно.

MobileNetV3 Large 1.0 — модель классификации изображений из библиотеки timm, обученная Alibaba MIIL на ImageNet-21k-P. Её можно использовать для определения объектов и категорий на изображениях, а также как визуальную основу для извлечения карт признаков и эмбеддингов. Модель содержит 18,6 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную стоимость около 0,2 GMAC. Она предназначена для обработки изображений, а не текста. Распространяется по лицензии Apache-2.0.

Next-ViT Base — модель компьютерного зрения для классификации изображений и извлечения признаков. Её обучили авторы статьи Next-ViT на выборке Unknown-6M и ImageNet-1k с применением дистилляции SSLD. Модель содержит около 44,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель можно использовать для определения классов объектов на изображении, извлечения карт признаков и получения эмбеддингов изображений. В README приведены результаты классификации для вариантов семейства с разрешением 384 пикселя, но эти показатели не следует напрямую переносить на данный вариант с разрешением 224 пикселя. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для визуальных задач; сведения о поддержке текстовых или других входов не приведены.

zeromodels представляет конверсию OWLv2 base patch16 ensemble от Google в формате Keras 3. Это модель обнаружения объектов с открытым словарём: она принимает изображение и текстовые запросы, а затем находит соответствующие объекты, в том числе классы, не заданные заранее. Архитектура сохраняет двухбашенную основу OWL-ViT и голову детекции по патчам; OWLv2 дополнительно использует голову оценки наличия объекта и масштабирование с помощью самообучения на парах веб-изображений и текста. Модель предназначена для поиска объектов на изображениях по свободным текстовым описаниям. Реализация Keras 3 работает с TensorFlow, Torch и JAX. При предобработке изображения дополняются до квадрата перед изменением размера, поэтому для корректной постобработки важно передавать исходные размеры изображения. Распространяется по лицензии Apache 2.0.

Модель wonrax/phobert-base-vietnamese-sentiment — модель анализа тональности, дообученная на основе vinai/phobert-base. Она классифицирует отзывы на вьетнамском языке по трём меткам: отрицательная, положительная и нейтральная. Модель предназначена для анализа отзывов об интернет-магазинах и других коротких пользовательских текстов с выражением мнения. Модель основана на архитектуре RoBERTa, содержит 162,4 млн параметров и принимает текст с контекстом до 258 токенов. Для дообучения использовались 30 тысяч отзывов из электронной коммерции. Доступны веса PyTorch; лицензия — MIT. Модель подходит для автоматической сортировки отзывов и оценки общей тональности пользовательской обратной связи. Её метки ограничены тремя классами, а обучение на отзывах электронной коммерции может снижать точность на других жанрах текста; длинные записи сверх контекстного окна не помещаются целиком.

QIE-2511-Outfit-Design-Layout — адаптер LoRA, разработанный Prithiv Sakthi для модели Qwen/Qwen-Image-Edit-2511. Это модель преобразования изображений, предназначенная для добавления элементов одежды или дизайнерских макетов в заданную область изображения с сохранением окружающей сцены. Адаптер активирует сценарий размещения дизайна внутри отмеченной области, например по инструкции «Add the design inside the red marked area». Он стремится сохранить согласованность текстур, освещения, теней и перспективы, обеспечивая естественное встраивание дизайна без заметных артефактов, искажений краёв и несоответствия стиля. Поддерживает англоязычные текстовые инструкции, работает через библиотеку Diffusers и совместим с версиями Diffusers 2509 и 2511. Базовая модель поддерживает image-to-image редактирование, однако точные сведения о размере, архитектуре и максимальной длине контекста в README не указаны. Модель подходит для виртуального размещения элементов одежды, концептуального дизайна и локального редактирования изображений, когда требуется изменить только выделенный участок. Ограничения включают зависимость от базовой модели Qwen-Image-Edit-2511 и необходимость корректно обозначить целевую область и сформулировать инструкцию на английском языке. Распространяется по лицензии Apache-2.0.

DeepShopper Reward V0 — модель на базе Qwen3-4B, дообученная командой flavianv на наборах одежды из Amazon Apparel 2023. Она генерирует комплект одежды в ответ на текстовое описание потребности; при оценке кандидатов используется правдоподобие их последовательности при принудительной подаче токенов, преобразованное в оценку на основе средней отрицательной логарифмической вероятности. Модель предназначена для сравнительной оценки комплектов одежды в рекомендациях, а не для универсальной оценки качества. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Метаданные указывают контекст до 262 144 токенов, интерфейс чата и задачу генерации текста. Лицензия — Apache-2.0. README описывает обучение на отобранных комплектах Amazon Apparel 2023 и применение в распределении, близком к обучающим данным.

Qwen-Image-Edit-AIO-FP8 — вариант семейства Qwen-Image-Edit для редактирования изображений по текстовым инструкциям. README связывает его с моделями Qwen-Image-Edit-2509 и Qwen-Image-Edit-2511, разработанными командой Qwen компании Alibaba. Это диффузионная мультимодальная модель с архитектурой MMDiT и 20 млрд параметров; версия FP8 предназначена для снижения потребления видеопамяти и ускорения вывода при небольшой потере качества. Модель поддерживает редактирование с несколькими изображениями-референсами, сохранение идентичности людей и товаров, изменение текста внутри изображений и совместимость с ControlNet. Модель подходит для композиции изображений по нескольким референсам, замены материалов, изменения геометрии и итеративного редактирования с сохранением структуры, освещения и ракурса. README отмечает сценарии промышленного дизайна и создания композиций с несколькими людьми. В метаданных указан английский язык карточки, но они не подтверждают, что модель ограничена только им. Лицензия — Apache-2.0; README сообщает, что применяются условия исходной страницы Qwen-Image-Edit.

RF-DETR Medium — модель сквозного обнаружения объектов из семейства RF-DETR, представленного в работе Robinson и соавторов и перенесённого в Transformers участником stevenbucaille. Она предназначена для обнаружения объектов на изображениях; контрольные точки этого семейства обучаются распознавать 80 категорий COCO 2017. Архитектура сочетает визуальный трансформер ViT в стиле DINOv2 with registers с чередованием оконного и полного внимания, многоуровневый проектор признаков и декодер Deformable DETR с объектными запросами. Семейство RF-DETR рассчитано на компромисс между точностью и задержкой; в описании для этой конкретной версии не приведены её размер и разрешение входа. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и классами. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

RF-DETR Seg Medium — модель сегментации отдельных объектов, разработанная Roboflow на основе семейства RF-DETR, представленного Robinson и соавторами. Она предназначена для обнаружения объектов на изображениях и выдаёт маску для каждого экземпляра, а также ограничивающую рамку и оценку класса. Чекпойнт обучен на разметке COCO 2017 для 80 категорий объектов. Архитектура сочетает vision transformer в стиле DINOv2 с регистрами и чередованием оконного и полноформатного внимания, многоуровневый проектор признаков и декодер на основе Deformable DETR с головой сегментации экземпляров. Модель доступна в формате safetensors и интегрирована с библиотекой Transformers. Подходит для сценариев, где нужно находить и разделять экземпляры объектов на изображениях. Лицензия — Apache-2.0. Карточка не приводит ограничений на разрешение входных изображений или оценок качества.