IV.1Ритейл, электронная коммерция и fashion-tech

DreamShaper 3.3 baked VAE — модель генерации изображений по текстовому описанию, размещённая пользователем jzli. Это версия DreamShaper 3.3 со встроенным VAE, поэтому при запуске не требуется отдельно подключать VAE. Метаданные указывают на использование StableDiffusionPipeline и форматов Diffusers и PyTorch. Модель предназначена для создания изображений по текстовым запросам. README не содержит дополнительных сведений о стиле генерации, рекомендуемых настройках или конкретных сценариях применения. Условия лицензии в предоставленных данных не описаны.

kpsss34/FHDR_Uncensored — модель для генерации изображений по текстовому описанию, разработанная сообществом или автором под идентификатором kpsss34. Она основана на black-forest-labs/FLUX.1-dev и предназначена для сценариев text-to-image, включая создание художественных изображений и других визуальных материалов по англоязычным промптам. Модель реализована для использования с библиотекой Diffusers и конвейером FluxPipeline. В README указано, что при обучении обновлялись случайно выбранные слои и блоки, а не вся модель; по замыслу автора это сократило время обучения и должно было улучшить результаты. Для примера приведены параметры генерации с разрешением 1024×1024, 40 шагами диффузии, guidance_scale 4.0 и максимальной длиной последовательности 512 токенов, однако эти значения не обязательно являются ограничениями модели. Размер, точная архитектура, набор поддерживаемых языков и дополнительные модальности не указаны; заявлен только английский язык. Сильной стороной модели является специализированная настройка на базе FLUX.1-dev и совместимость с распространённым инструментарием Diffusers. Ограничения включают отсутствие подробных результатов оценки, информации о фактическом качестве, размере модели и области применения. Лицензия обозначена как other, но её конкретные условия в README не приведены, поэтому правила коммерческого и иного использования требуют дополнительной проверки.

Florence-2-VQAJP2 — дообученная модель семейства Florence-2, созданная на основе microsoft/Florence-2-base-ft. Разработчик дообучил её на датасете Kendamarron/japanese-photo-instruction для задачи создания подписей к изображениям на японском языке. Для получения результата README рекомендует использовать запрос CAPTION. Модель принимает изображение и текстовый запрос, а выдаёт текстовое описание на японском языке. В метаданных указаны архитектура Florence2ForConditionalGeneration, библиотека Transformers и формат весов safetensors. На оценочной выборке сообщается значение loss 0,77. Лицензия — MIT. Подходит для автоматического создания японских подписей к фотографиям и описания изображений в приложениях, рассчитанных на японский язык. README не приводит подробностей о данных обучения, методике оценки или практических ограничениях; качество на иных типах изображений и языках по имеющимся сведениям оценить нельзя.

FLUX.2-klein-4B-int8 — это версия модели FLUX.2-klein-4B с квантованием весов в формат int8, подготовленная пользователем aydin99 на основе исходной модели Black Forest Labs. Квантование выполнено с помощью optimum-quanto и применяется к transformer и текстовому энкодеру Qwen3; VAE оставлен без квантования. Модель предназначена для генерации изображений по текстовому описанию в pipeline text-to-image. Она поддерживает запуск на CUDA и Apple Silicon через MPS. По приведённым данным, квантирование уменьшает общий объём памяти примерно с 22 до 8,3 ГБ: transformer занимает около 3,6 ГБ, текстовый энкодер — около 4,5 ГБ, VAE — 0,16 ГБ. Пример использования рассчитан на изображения 512×512, четыре шага инференса и guidance_scale 0.0; заявленная скорость составляет примерно 2–3 секунды на RTX 3090 и около 8 секунд на Apple Silicon M1/M2/M3. Главное преимущество модели — существенное снижение требований к памяти при сохранении поддержки CUDA и MPS. Ограничения включают отсутствие поддержки int4 на MPS из-за проблем PyTorch с упакованным int4-умножением и необходимость использовать ветку diffusers flux2-klein до включения поддержки FLUX.2-klein в основной выпуск. Языки, максимальный контекст, точный размер архитектуры и дополнительные модальности в README не указаны. Модель распространяется по лицензии Apache 2.0, как и базовая модель.

QuantStack/FLUX.2-Klein-9B-KV-GGUF — это квантованный GGUF-файл, представляющий прямую конверсию модели FLUX.2-klein-9b-kv, разработанной Black Forest Labs. Модель предназначена для генерации и редактирования изображений, а в карточке указана совместимость с image-to-image сценариями. Для запуска предлагается использовать ComfyUI с пользовательским узлом ComfyUI-GGUF; файлы модели размещаются в каталоге ComfyUI/models/unet. Известно, что модель основана на варианте FLUX.2 klein с размером 9B параметров и поддерживает квантованный формат GGUF. В README не указаны точная архитектура, используемый метод квантования, максимальный контекст, перечень поддерживаемых модальностей помимо задач с изображениями или дополнительные языки; из метаданных явно указан только английский язык. Для модели заявлены KV Cache и исправление, не ограничивающее возможности редактирования, а также готовый workflow для ComfyUI. Модель может быть удобна для локального использования и интеграции в ComfyUI, однако квантование может влиять на качество и требования к ресурсам по сравнению с исходной версией. Условия использования определяются лицензией FLUX Non-Commercial License; все исходные лицензионные ограничения и ограничения на использование сохраняются. Разработчик конверсии в README явно не назван, а исходная модель принадлежит Black Forest Labs.

FLUX.2-klein-base-4B-GGUF — квантизированная GGUF-версия модели FLUX.2-klein-base-4B, разработанной Black Forest Labs. Файлы конвертированы с использованием stable-diffusion.cpp и предназначены для генерации изображений по текстовому описанию с помощью этого программного обеспечения. Модель ориентирована на text-to-image сценарии. В README указана поддержка английского, китайского, японского, корейского, французского, немецкого, русского, арабского, персидского, украинского и индонезийского языков. Известно, что базовая модель имеет размер 4B параметров; архитектура, максимальная длина контекста, поддерживаемые модальности помимо текста и изображения, а также конкретные характеристики квантования не указаны. К сильным сторонам относятся распространённый формат GGUF и совместимость со stable-diffusion.cpp, что может упростить локальное использование и снизить требования к ресурсам по сравнению с полноразмерными весами. Ограничения и качество различных вариантов квантования в README не описаны. Лицензия — Apache-2.0, причём для квантизированных файлов применяется лицензия оригинальной модели.

FLUX.2-klein-base-9B-GGUF — это квантизированная версия базовой модели FLUX.2-klein-base-9B, разработанной Black Forest Labs. Файлы преобразованы пользователем leejet в формат GGUF для использования с библиотекой stable-diffusion.cpp. Модель предназначена для генерации изображений по текстовым описаниям и относится к мультимодальному сценарию text-to-image. В README указана поддержка английского и китайского языков. Размер базовой модели составляет 9B параметров; сведения о точной архитектуре, доступных вариантах квантования, максимальном контексте и других технических характеристиках не приведены. К сильным сторонам относятся возможность локальной генерации изображений и совместимость со stable-diffusion.cpp, а также использование компактного квантизированного представления. К ограничениям относятся возможная потеря качества по сравнению с исходными весами и зависимость от поддерживаемого формата и среды выполнения. Квантизированные файлы распространяются на условиях лицензии оригинальной модели FLUX.2-klein-base-9B; конкретные условия лицензии в README не раскрыты.

FuzzyHazel — модель генерации изображений по текстовому запросу из семейства Stable Diffusion, опубликованная Lucetepolis. Репозиторий содержит веса в формате safetensors и примеры использования с настройками генерации; в карточке также перечислены совместимые LoRA и EasyNegative. Модель предназначена для создания изображений по текстовым промптам. В примерах указаны разрешение 768×512, 28 шагов сэмплирования, DPM++ 2M Karras, CFG 7 и Clip skip 2. README не сообщает размер модели, базовый чекпойнт и поддерживаемые языки. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Incredible World 2 — дообученная модель генерации изображений из текстовых описаний, опубликованная Yntec. Она предназначена для создания изображений по промптам; в карточке приведён пример праздничной сцены с персонажами и пивной тематикой. Модель распространяется в форматах Diffusers и Safetensors и использует лицензию CreativeML OpenRAIL-M. В карточке нет сведений о размере модели, длине контекста, языковой специализации или сравнительных оценках качества. Пример промпта написан на английском и содержит несвязные формулировки, поэтому качество генерации по нему оценить нельзя.

MobileViTv2 с головой DeepLabV3 — модель семантической сегментации изображений, впервые выпущенная в репозитории shehan97. Она использует MobileViTv2 в качестве визуального энкодера: в архитектуре MobileViT механизм многоголового внимания заменён разделимым вниманием. Модель обучалась на разрешении 512×512: сначала на ImageNet-1k, затем дообучалась на PASCAL VOC2012. Модель предназначена для разметки областей на изображениях и может использоваться для сегментации сцен, содержащих классы PASCAL VOC. Вход — изображение, выход — пиксельная семантическая разметка. Карточка не сообщает точное число параметров или метрики качества. Лицензия указана как Apple Sample Code License; перед использованием следует проверить её условия для конкретного сценария.

OmniSVG1.1_8B — мультимодальная модель генерации SVG, разработанная командой OmniSVG на основе Qwen2.5-VL-7B-Instruct. Она преобразует текстовые описания и изображения в векторную графику: от простых иконок до детализированных иллюстраций и персонажей. Модель относится к семейству Qwen2.5-VL, имеет плотную архитектуру на 7,2 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для генерации SVG по текстовому запросу или входному изображению, а также для создания нескольких вариантов графики. Для запуска авторы приводят оценку использования 26 ГБ видеопамяти. В качестве датасетов указаны наборы иконок и иллюстраций MMSVG, а также бенчмарк MMSVGBench. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Генерация занимает от нескольких секунд до примерно 98 секунд в зависимости от длины вывода от 256 до 4096 токенов. В README не приводятся количественные оценки качества, поэтому пригодность результатов для конкретной задачи следует проверять отдельно. В карточке указаны английский и китайский языки.

RetroLife — модель для генерации изображений по текстовому описанию, созданная путём слияния Real Life 2.0 и ElldrethsRetroMix. Она предназначена для создания фотореалистичных и стилизованных изображений с ретро-эстетикой: винтажными цветами, эффектом плёнки, зернистостью и ретропанк-мотивами. В карточке представлены примеры портретов, фантастических сцен и праздничных сюжетов; автор отмечает, что новая версия улучшает анатомию по сравнению с RetroLifeAlpha. Модель распространяется в форматах Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Конкретные сведения о размере и длине контекста не применимы к этой модели генерации изображений.

calcuis/sd3.5-medium-gguf — это GGUF-квантизированная версия модели Stable Diffusion 3.5 Medium, разработанная на основе базовой модели Stability AI и опубликованная пользователем calcuis. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на использование в ComfyUI, включая запуск на системах с ограниченными ресурсами, в том числе преимущественно на CPU. В состав поставки входят квантизированные варианты диффузионной модели в формате GGUF, а также компоненты CLIP, T5 и VAE в формате SafeTensors. В README указаны варианты квантования от q1 до q5; для общего применения и генерации изображений высокого качества рекомендуются q4 и более высокие уровни, тогда как q2_k описывается как очень быстрый, но малопригодный для практического использования. Варианты семейства q3 позиционируются как работоспособные на старых компьютерах, однако могут чаще приводить к ошибкам, например при генерации пальцев. Размер базового файла sd3.5_medium-q5_0.gguf составляет около 2,02 ГБ; размеры остальных компонентов также указаны в README. Модель ориентирована на текстовую генерацию изображений и поддерживает английский язык согласно метаданным. Сильными сторонами являются снижение требований к оборудованию благодаря GGUF-квантованию и возможность запуска на старых машинах; качество зависит от выбранного уровня квантования и может ухудшаться на низких уровнях. Архитектура, точный параметрический размер, максимальная длина контекста и другие модальности в README не указаны. Лицензия обозначена как Stability AI Community License, тип лицензии — other.

Это оптимизированная с помощью Microsoft Olive версия Stable Diffusion в формате ONNX, опубликованная axodoxian. Модель предназначена для генерации изображений по текстовому описанию и запускается через библиотеку Diffusers с конвейером OnnxStableDiffusionPipeline. Репозиторий содержит конвертированное представление модели, а не отдельную архитектуру. В карточке указано, что исходная модель находится по ссылке, однако адрес в доступном тексте README отсутствует. Лицензия в предоставленных данных не указана.

Adaptive Classifier — текстовый классификатор на основе answerdotai/ModernBERT-base, представленный как адаптивная модель с возможностью непрерывного обучения и динамического добавления классов. В опубликованном состоянии он различает два класса: new_vendor и trusted_partner; карточка указывает 10 обучающих примеров и размер эмбеддингов 768 измерений. Модель предназначена для классификации текстов с возможностью обновлять классы по мере накопления примеров. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Для каждого класса требуется не менее трёх примеров; поддерживается до 150 примеров на класс, а прототипы обновляются каждые 10 примеров.

digiplay/xxgSl526_v1 — модель для генерации изображений по текстовому описанию, опубликованная в формате Diffusers с весами Safetensors. В README приведены примеры изображений, созданных через API Hugging Face, но не описаны разработчик, архитектура или особенности обучения. Модель предназначена для преобразования текстовых запросов в изображения. Данных о поддерживаемых языках запросов, размере, контексте и конкретных сценариях применения в карточке нет. Указана лицензия other, поэтому условия использования следует проверять в репозитории модели.

ChilloutMix — модель генерации изображений по текстовому описанию, распространяемая через Stable Diffusion API и доступная в формате Diffusers/PyTorch. В примере README используется API ModelsLab с идентификатором chilloutmix; параметры позволяют задавать текстовый и отрицательный промпты, размер изображения, число шагов генерации, guidance scale и seed. Модель подходит для создания портретов и художественных изображений с детализированными лицами, реалистичной внешностью и стилизованными элементами. README приводит пример генерации изображения 512×512 за 30 шагов, но не сообщает размер базовой модели, контекст, набор языков или конкретную базовую модель. В метаданных указана лицензия CreativeML OpenRAIL-M. README демонстрирует настройку safety checker со значением «no», поэтому при использовании через приведённую интеграцию фильтрация контента может быть отключена; сама карточка не описывает дополнительные ограничения качества или безопасности.

John6666/diving-illustrious-real-asian-v50-sdxl — модель генерации изображений по текстовому описанию, опубликованная John6666; в карточке исходным автором указана DivingSuit. Это дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 на базе Stable Diffusion XL, предназначенная для создания реалистичных и фотореалистичных изображений с азиатской тематикой. Модель распространяется в формате Diffusers с весами Safetensors и использует конвейер StableDiffusionXLPipeline. Карточка указывает английский язык и лицензию faipl-1.0-sd. Подтверждённых сведений о размере контекста или конкретных ограничениях качества нет.

Fabricated Reality — модель генерации изображений на основе SDXL, опубликованная автором ostris. Автор сообщает, что дообучал, объединял и настраивал модель с момента выхода SDXL, в том числе применял целевое обучение для улучшения глаз, зубов и рук. Модель предназначена для создания реалистичных изображений по текстовому описанию. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия — CreativeML Open RAIL-M. Карточка модели содержит мало подробностей о настройках и результатах, поэтому качество генерации и конкретные оптимальные сценарии по ней оценить нельзя.

Fullgreed — дообученная модель генерации изображений на основе Z-Image от Alibaba Tongyi. Это диффузионный трансформер S3-DiT с 6 млрд параметров, настроенный на фотореалистичные портреты и селфи с видом снимков на телефон: естественное освещение, правдоподобная текстура кожи и волос. При дообучении изменялись веса проекций внимания и feed-forward слоёв, а нормализации, эмбеддеры и временное кондиционирование базовой модели оставлены без изменений. Модель принимает текстовые промпты и создаёт изображения; также сохраняет следование двуязычным промптам, отрисовку текста и работу с композицией, унаследованные от Z-Image. Рекомендуемое разрешение — около 1024×1024, возможна генерация до примерно 4K. В репозитории доступны веса BF16 и вариант INT8 в формате safetensors; для INT8 автор заявляет визуально одинаковый результат и работу в ComfyUI без дополнительных узлов. Рекомендуемые настройки — 8–20 шагов и CFG 1–4. Для загрузки предусмотрены компоненты и инструкции для ComfyUI; также заявлена поддержка Draw Things и других приложений, совместимых с Z-Image. Модель распространяется по лицензии Apache-2.0. Фотореалистичный стиль является целевым, поэтому результаты могут выглядеть чрезмерно обработанными при высоком CFG; оптимальные параметры зависят от промпта и используемого приложения.

Модель разработана Vishan Oberoi и Dev Chandan как англоязычная чат-модель Llama 2 с 7 млрд параметров, дообученная на вопросах и ответах по внутренним данным компании. Она предназначена для диалоговых сценариев, где нужно формировать ответы на вопросы с учётом корпоративной информации, например для FAQ и поддержки клиентов. Модель дообучена методом QLoRA с использованием PEFT; адаптеры объединены с базовой моделью, после чего веса квантованы в формат GGUF. В README приведён пример использования с контекстом до 6000 токенов. Лицензия — MIT.

Luna Diffusion v2.5 — дообученная пользователем proximasanfinetuning модель генерации изображений на основе Stable Diffusion 1.5. Она создаёт изображения по текстовым описаниям и рассчитана на более реалистичные результаты с улучшенной проработкой глаз и анатомии, повышенными контрастом и резкостью. При этом выраженный живописный стиль стал слабее, но его можно усилить словом «painting» в запросе; слово «illustration» помогает получить вид векторной иллюстрации. Модель дообучена на нескольких сотнях изображений высокого разрешения с преимущественно ручными подписями. Рекомендуемые размеры — 768×768, 512×768 и 768×512 пикселей; при 512×512 результат может выглядеть чрезмерно обработанным. Выбор веб-интерфейса, VAE, sampler, CFG и формулировки запросов влияет на резкость и текстуру кожи; при артефактах автор рекомендует использовать VAE из примера. Модель опубликована в форматах Diffusers, PyTorch и Safetensors под лицензией other; условия этой лицензии в предоставленных данных не раскрыты. Автор отмечает склонность модели к изображению обнажённой груди и советует добавлять соответствующие слова в negative prompt, если это нежелательно.

Это конвертированная для MLX версия модели inclusionAI/Ming-Image-0.1-Design, подготовленная для запуска через mflux на компьютерах Apple Silicon. Модель преобразует текстовые запросы в изображения с альфа-каналом RGBA и ориентирована на графический дизайн: плакаты, открытки, интерфейсы и изображения с типографикой. В сборке используется текстовый энкодер Ling-mini-2.0 MoE с 6-битным представлением, коннектор Qwen2 с 8-битным представлением и DiT, намеренно оставленный в 8 битах для сохранения качества крупных надписей. Репозиторий занимает 21,2 ГБ; для работы требуется версия mflux с поддержкой семейства Ming-Image. В README приведены замеры на Mac mini M4 с 24 ГБ памяти: генерация изображения 512×512 занимает около минуты, а 1024×1024 — 4–4,5 минуты. Модель предназначена для генерации дизайнерских изображений по текстовому описанию, включая композиции с читаемыми заголовками и текстом. Автор сообщает о поэтапной проверке реализации MLX относительно официального конвейера PyTorch с высокой близостью тензоров и воспроизведением компоновки, типографики и текста. Лицензия — MIT.

Neurix-Mega — модель для генерации изображений по текстовому описанию, созданная на базе FLUX.1 [schnell] от Black Forest Labs. В карточке она описана как обученная на изображениях разных художественных стилей; веса доступны в формате Safetensors, а метаданные указывают на адаптер LoRA и производную связь с базовой моделью. Модель предназначена для творческих задач: создания концепт-артов, иллюстраций, аватаров и изображений в разных стилях. Базовая FLUX.1 [schnell] рассчитана на быструю генерацию за 1–4 шага. Для использования указаны библиотеки Diffusers, Transformers и Accelerate; результат можно настраивать числом шагов, guidance scale и seed. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных оценок качества или подробностей обучающего набора.

btaskel/noobai-XL-Vpred-1.0-GGUF — это квантованная версия модели Laxhar/noobai-XL-Vpred-1.0, подготовленная пользователем btaskel. Модель относится к семейству noobai-XL-Vpred и предназначена для задач генерации изображений из текстовых описаний, что указано тегом pipeline_tag: text-to-image. В README не приведены сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Указано, что варианты квантования Q4_K_S и Q4_K_M рассматриваются как компромисс между размером модели, скоростью работы и уровнем квантования. Также отмечается, что в некоторых бенчмарках крупная модель с более сильным квантованием может превосходить небольшую модель с менее сильным квантованием. Конкретный вариант квантования для данной карточки не указан. Лицензия, модальности помимо генерации изображений и ограничения использования в README не указаны.

debugdll/nsfw-image-generator — дообученная на базе Stable Diffusion XL Base 1.0 модель генерации изображений по текстовому запросу, распространяемая в формате safetensors для Diffusers и использования в ComfyUI. В карточке она представлена как фотореалистичная модель с готовым workflow ComfyUI; указано дополнительное обучение на 1500 шагах. Модель предназначена для создания фотореалистичных изображений с естественно выглядящими кожей, волосами, тканями и освещением. В карточке заявлена поддержка украинского, русского и английского языков. Репозиторий помечен как не для любой аудитории; лицензия указана как other, без конкретных условий в предоставленных данных.

Qwen3-ASR Rakuten Multilingual — дообученная Rakuten на Qwen/Qwen3-ASR-1.7B плотная модель распознавания речи для многоязычных сценариев обслуживания клиентов. Принимает аудио длительностью до 30 секунд на высказывание, поддерживает частоту дискретизации 16 кГц с автоматическим пересэмплированием и выдаёт текстовую расшифровку. Заявлена поддержка 18 языков: английского, китайского, французского, португальского, корейского, вьетнамского, хинди, тайского, индонезийского, тамильского, урду, непальского, узбекского, монгольского, сингальского, бирманского, японского и итальянского. Модель обучена на 1 624 974 высказываниях; веса в формате SafeTensors, bf16, размер около 3,8 ГБ. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Это предварительно обученные веса swsl для энкодера ResNeXt-50 32x4d, опубликованные в репозитории smp-hub и предназначенные для использования в библиотеке segmentation-models-pytorch. Модель применима для классификации изображений, а также как энкодер в сегментационных моделях, собираемых с помощью этой библиотеки. Репозиторий содержит веса в формате safetensors; библиотека указана как segmentation-models-pytorch. Лицензия обозначена как other, без дополнительных условий в предоставленных данных.

Kernel/sd-nsfw — модель генерации изображений по тексту на основе Stable Diffusion v1.5, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; исходный чекпойнт Stable Diffusion v1.2 был дообучен на 595 тысячах шагов при разрешении 512×512 на наборе laion-aesthetics v2 5+. Модель принимает текстовые запросы на английском языке и создаёт изображения; репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для генерации фотореалистичных изображений и художественных материалов по описанию, а также для исследований генеративных моделей. Название и метка «not-for-all-audiences» указывают на ориентацию на NSFW-контент. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование. Модель не гарантирует фотореализм, плохо передаёт текст внутри изображений и сложные пространственные композиции, может ошибаться при генерации лиц и людей. Английские запросы работают лучше других языков; возможны смещения и запоминание изображений из обучающих данных. Для практического применения авторы рекомендуют использовать Safety Checker.

SegFormer-B2 — модель семантической сегментации изображений, представленная авторами статьи о семействе SegFormer и дообученная на наборе ADE20K. Она присваивает пиксельным областям изображения классы сцен и объектов. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; модель рассчитана на входное разрешение 512×512 пикселей и предназначена для анализа сцен и бенчмарков семантической сегментации. Модель можно применять для разметки объектов и элементов окружения на фотографиях и других изображениях. В карточке указана лицензия other, поэтому условия использования следует сверить с лицензией и материалами репозитория. Карточка рекомендует использовать эту модель для семантической сегментации и отмечает, что для других задач доступны отдельные дообученные версии.