IV.1Ритейл, электронная коммерция и fashion-tech

D-FINE Large Obj365 — модель обнаружения объектов на изображениях, основанная на архитектуре D-FINE и реализованная для Transformers. Карточка модели подготовлена сообществом USTC; реализацию для Transformers внесли VladOS95-cyber и qubvel-hf. Модель обучена на Objects365 и предназначена для обнаружения объектов с точной локализацией в реальном времени. В архитектуре применяются Fine-grained Distribution Refinement и Global Optimal Localization Self-Distillation для уточнения регрессии ограничивающих рамок. Модель выдаёт классы объектов и их рамки. В README среди сценариев применения названы автономное вождение, видеонаблюдение, робототехника и аналитика розничной торговли. Указана лицензия Apache-2.0.

DFINE-Small-obj2coco — модель обнаружения объектов семейства D-FINE, разработанная авторами работы «D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement» и представленная в реализации для Transformers сообществом Hugging Face. Эта версия сначала обучалась на Object365, а затем дообучалась на COCO; она предназначена для обнаружения объектов на изображениях и определения их положения ограничивающими рамками. Модель использует архитектуру DFineForObjectDetection и формат весов Safetensors. D-FINE рассчитана на быстрое обнаружение объектов и точную локализацию; в карточке среди сценариев применения названы автономное вождение, видеонаблюдение, робототехника и аналитика розничной торговли. Для обучения и оценки использованы наборы COCO train2017 и val2017. Лицензия — Apache 2.0.

ustc-community/dfine-small-obj365 — реализация модели D-FINE для обнаружения объектов, опубликованная сообществом USTC на Hugging Face на основе реализации для Transformers. Модель обучена на наборе Objects365 и предназначена для обнаружения объектов на изображениях с точным определением их положения. D-FINE использует архитектуру детектора на основе DETR с уточнением распределения регрессии ограничивающих рамок и самодистилляцией для локализации. Модель ориентирована на обнаружение объектов в реальном времени и может применяться в автономном вождении, видеонаблюдении, робототехнике и розничной аналитике. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит размер модели или показатели качества конкретно этой версии.

DINOv3 ConvNeXt-Tiny — модель извлечения визуальных признаков, разработанная Meta AI. Это компактная сверточная модель семейства ConvNeXt, дистиллированная из DINOv3 ViT-7B и предварительно обученная на веб-данных LVD-1689M; размер варианта Tiny составляет 29 млн параметров. Репозиторий предоставляет веса в формате safetensors для использования через Transformers. Модель принимает изображения и выдаёт признаки для последующих задач компьютерного зрения. Их можно применять для поиска похожих изображений, классификации, сегментации, оценки глубины и обнаружения объектов без обязательной дополнительной настройки; при необходимости признаки можно использовать с отдельными классификаторами или дообучить модель. Карточка указывает лицензию DINOv3 License. В описании семейства отмечены различия качества между географическими регионами и более низкие показатели для групп стран с низким доходом; дообучение на конкретных метках может усилить смещения. Хотя README описывает функции семейства DINOv3 в целом, конкретный репозиторий содержит именно вариант ConvNeXt-Tiny, поэтому характеристики ViT и других вариантов семейства к нему не относятся.

facebook/dinov3-vits16plus-pretrain-lvd1689m — визуальная модель Meta AI из семейства DINOv3, предназначенная для извлечения признаков изображений. Это вариант Vision Transformer ViT-S+, полученный дистилляцией модели DINOv3 ViT-7B, предварительно обученной на веб-данных LVD-1689M. Архитектура использует патчи 16 пикселей, размер представления 384, 4 register-токена, 6 голов внимания, SwiGLU FFN и RoPE; модель возвращает class token и токены патчей. Модель служит визуальной основой для задач компьютерного зрения и может применяться без дообучения: её признаки подходят для классификации изображений, поиска похожих изображений, оценки глубины, сегментации и обнаружения объектов. Она принимает изображения, в том числе с разрешением выше 224×224 при условии, что размеры кратны 16; иначе изображение обрезается до ближайшего меньшего размера, кратного размеру патча. Лицензия — DINOv3 License. В карточке отмечены различия качества по географическим регионам и доходным категориям; дообучение может усилить смещения, присутствующие в обучающих метках. Модель рассчитана на получение универсальных визуальных признаков, а для конкретных прикладных задач могут потребоваться классификатор или другая downstream-модель.

Tooony133/dinov3-vits16-pretrain-lvd1689m — вариант модели DINOv3, опубликованный пользователем Tooony133 и дообученный на основе facebook/dinov3-vit7b16-pretrain-lvd1689m. Это зрительная модель на архитектуре Vision Transformer с размером около 28,3 млн параметров; она принимает изображения и извлекает плотные признаки, включая токены классов и патчей. Модель предназначена для использования в качестве замороженного визуального экстрактора признаков и основы для задач компьютерного зрения. Признаки можно применять для поиска похожих изображений, классификации, сегментации, оценки глубины и обнаружения объектов с помощью последующих классификаторов или лёгких обучаемых голов. ViT использует патчи размером 16 пикселей и принимает изображения с размерами, кратными 16; размеры, не соответствующие этому условию, обрезаются до ближайшего меньшего кратного. В карточке описаны сильные результаты DINOv3 на разных задачах зрения и различия качества между регионами и доходными группами; дообучение может усилить смещения. Репозиторий содержит веса в формате safetensors. Метаданные указывают лицензию «other», а README — лицензию DINOv3; конкретные условия следует сверять с файлами репозитория.

DistilCamemBERT-Sentiment — модель cmarkea для анализа тональности франкоязычных отзывов. Она дообучена на базе cmarkea/distilcamembert-base и использует архитектуру CamemBERT для классификации текста по пяти оценкам: от одной звезды (крайне негативная оценка) до пяти звёзд (крайне положительная). При обучении использовались отзывы Amazon и рецензии Allociné, сочетание коротких и длинных текстов. Модель предназначена для анализа отзывов о товарах и фильмах, включая присвоение рейтинга и выделение негативных, нейтральных и позитивных оценок. В README заявлено сокращение времени инференса примерно вдвое по сравнению с некоторыми моделями на CamemBERT и приведены результаты оценки на тестовых данных. Модель содержит 81,2 млн параметров, поддерживает контекст до 514 токенов и доступна в форматах PyTorch, TensorFlow, ONNX и safetensors. Модель рассчитана на французский язык. В тестах точность точного совпадения составила 61,01%, а точность попадания верной оценки в две наиболее вероятные — 88,80%; результаты зависят от данных и постановки задачи. Лицензия — MIT.

EVA Large Patch14 196 — модель зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами EVA в библиотеке timm. Она содержит около 304,1 млн параметров и рассчитана на входные изображения размером 196 × 196 пикселей. Модель предварительно обучена на ImageNet-22k с помощью masked image modeling и учителя EVA-CLIP, затем дообучена авторами статьи на ImageNet-1k. Модель подходит для присвоения изображению меток классов и получения эмбеддингов изображений, а также может служить визуальным backbone в системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; контрольные точки timm сохранены в float32. Лицензия — MIT.

Granite-TimeSeries-PatchTST-FM-r2 — модель временных рядов семейства PatchTST-FM, разработанная IBM. Это dense Transformer-модель с 503,3 млн параметров по метаданным; в README указано около 385 млн параметров. Версия r2 продолжает PatchTST-FM-r1 и заменяет обычные Transformer-блоки на Conformer-блоки с чередующимися свёрточными ядрами размером 5 и 3. Она использует перекрывающиеся патчи длиной 16 с шагом 8, контекст до 8192 временных точек и прогнозирование с объединением перекрывающихся фрагментов; выходная голова формирует 99 квантилей. Модель предназначена для zero-shot прогнозирования временных рядов без дообучения на конкретном наборе данных. Её можно применять для оценки будущих значений и диапазонов неопределённости на разнообразных последовательностях. В README заявлено высокое место на бенчмарке GIFT-Eval среди воспроизводимых zero-shot моделей по CRPS и MASE; результаты на момент публикации находились в ожидающем рассмотрения PR. Модель распространяется под лицензией OpenMDW-1.0, которую README характеризует как permissive и совместимую с коммерческим использованием. README также отмечает, что IBM не обязуется поддерживать или обновлять код репозитория.

Granite-TimeSeries-TTM-R1 — компактная предобученная модель TinyTimeMixer для прогнозирования многомерных временных рядов, разработанная IBM Research. Вариант R1 обучен на 250 млн публичных обучающих примеров; в метаданных указано около 1 млн параметров. Модель поддерживает прогнозирование без дообучения и дообучение на данных целевого ряда, в том числе с независимой обработкой каналов или смешиванием каналов, а также с использованием экзогенных переменных и категориальных признаков. Доступны варианты для контекста длиной 512 или 1024 временных точек с прогнозом до 96 точек вперёд. Модель рассчитана на данные с минутной и часовой частотой, например с интервалом 10 минут, 15 минут или 1 час, и может запускаться на одной GPU или ноутбуке. README указывает, что R2 обучен на большем наборе данных и обычно показывает лучшие результаты, но выбор версии зависит от распределения целевых данных. Модель распространяется по лицензии Apache-2.0.

MobileNetV4 Hybrid Large — модель классификации изображений и извлечения признаков, разработанная Россом Уайтманом и обученная на ImageNet-1k. Это вариант семейства MobileNetV4, обученный скриптами timm с гиперпараметрами, вдохновлёнными оригинальной статьёй и дополненными улучшениями timm. Модель содержит 37,8 млн параметров и требует 7,8 GMACs. Обучение проводилось на изображениях 384×384 пикселя; для оценки указано разрешение 448×448. Её можно использовать для классификации изображений, получения карт признаков и векторных представлений изображений. В README не приведены поддерживаемые естественные языки, поскольку модель работает с изображениями. Веса доступны в форматах PyTorch и safetensors, библиотека для работы — timm. Официальные веса TensorFlow для этой архитектуры на момент составления карточки не выпущены. Лицензия — Apache-2.0.

ytu-ce-cosmos разработала ModernBERT-TR Aspect Polarity — турецкий классификатор на базе ModernBERT примерно на 149 млн параметров. Он принимает предложение и указанный аспект, а затем определяет тональность именно этого аспекта: отрицательную, нейтральную или положительную. Модель дообучена на турецких отзывах и наборах пар «аспект — тональность»; поддерживает контекст до 8192 токенов. Модель предназначена для аспектно-ориентированного анализа тональности турецких отзывов, например для оценки отдельных характеристик товара в одном отзыве. На тестовом наборе ABSA-TR опубликованный чекпойнт получил macro-F1 72,87%. Доступны веса Safetensors и ONNX; лицензия — Apache-2.0. Результат может быть менее точным на текстах и предметных областях, отличающихся от турецких отзывов, использованных при обучении.

Moirai-1.0-R-Base — модель временных рядов от Salesforce: универсальный трансформер с маскируемым энкодером, предварительно обученный на наборе LOTSA. Модель предназначена для прогнозирования временных рядов, в том числе многомерных рядов с целевыми переменными и известными значениями ковариат на горизонте прогноза. Архитектура использует разбиение рядов на патчи и трансформер для их обработки; выходные представления преобразуются в параметры смеси распределений прогноза. В README указано 91 млн параметров, а в метаданных — 99,1 млн. Модель распространяется в формате safetensors; для инференса авторы рекомендуют библиотеку uni2ts. Выпуск предназначен для исследовательских целей и не оценивался для всех возможных прикладных сценариев. Перед применением следует оценить точность и риски конкретного использования. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Select AI предоставляет экспериментальную модель YOLO26x для обнаружения людей и оценки позы по 17 ключевым точкам COCO. Архитектура на основе YOLO26x-pose использует сквозную голову регрессии ключевых точек без NMS; разработчик базовой архитектуры — Ultralytics. Для каждого человека модель выдаёт координаты рамки и 51 значение: координаты и уверенность для каждой из 17 точек. Модель предназначена для извлечения визуальных признаков из изображений и отдельных кадров видеопотока, в том числе для мониторинга потока покупателей, анализа позы и расчёта показателей вовлечённости. Входное изображение преобразуется к размеру 960 × 960; заявлена работа с кадрами разрешением до 1920 × 1080. Модель оценивает каждый кадр отдельно и не выполняет межкадровое отслеживание. Качество локализации снижается при перекрытии людей, малом размере объектов, слабом освещении, ИК-подсветке и необычной одежде. Для сигналов безопасности и журналирования поведения результаты требуют дополнительной проверки. Условия лицензии в предоставленных данных не приведены.

Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели wolf1280/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

RF-DETR Seg Medium — модель сегментации отдельных объектов семейства RF-DETR, представленная Steven Bucaille и интегрированная в Transformers. Она обрабатывает изображение и для каждого обнаруженного объекта выдаёт маску, ограничивающую рамку и оценку класса; подходит для анализа изображений и подсчёта или локализации объектов. Модель использует Vision Transformer в стиле DINOv2 with registers с чередованием оконного и полноформатного внимания, многоуровневый проектор признаков и декодер Deformable DETR с головой сегментации. Чекпойнт обучен для 80 категорий объектов COCO 2017. Распространяется по лицензии Apache 2.0.

RF-DETR Seg Xlarge — модель сегментации объектов по экземплярам от Roboflow, представленная в семействе RF-DETR и доступная через Transformers. Она принимает изображение и предсказывает отдельную маску, ограничивающую рамку и оценку класса для каждого обнаруженного объекта; чекпойнт обучен на разметке COCO 2017 с 80 категориями объектов. Архитектура сочетает ViT-подобную основу в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер в стиле Deformable DETR с головой предсказания масок. Модель предназначена для сегментации экземпляров на изображениях, в том числе в сценариях, где важны скорость и одновременное получение масок, рамок и классов. Репозиторий содержит веса SafeTensors; лицензия — Apache-2.0. Модель рассчитана на классы COCO, поэтому точность на других наборах объектов зависит от соответствия их категорий и изображений обучающим данным.

RT-DETRv2 на базе ResNet-50, дообученная автором репозитория 2z299 для обнаружения штрихкодов на изображениях. Модель выдаёт рамки объектов; в README приведены результаты оценки класса Barcode: mAP 0,8239 и mAP@50 0,9525. Модель подходит для поиска и локализации штрихкодов на изображениях в задачах компьютерного зрения. Она основана на PekingU/rtdetr_v2_r50vd, использует архитектуру RT-DETRv2 и распространяется в формате safetensors через библиотеку Transformers. Лицензия — Apache-2.0. Датасет обучения не назван, а карточка не описывает условия съёмки и разновидности штрихкодов. Приведённые метрики относятся только к оценочному набору автора и не гарантируют аналогичное качество на других данных.

SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

obsei-ai/sell-buy-intent-classifier-bert-mini — компактная модель классификации текста на основе BERT, разработанная Obsei AI. Она относит сообщение к намерению купить или продать товар; примеры включают запросы цены, поставщика и образца, а также объявления о продаже. Модель содержит 12 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке приведены точности 0,988 на валидации и 0,992 на тесте. Модель предназначена для автоматической сортировки коммерческих сообщений и объявлений. В метаданных указан английский язык. Для использования доступна через Transformers; веса представлены в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

seresnet50.a1_in1k — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения признаков. Это SE-ResNet-50 с механизмом Squeeze-and-Excitation, который учитывает важность каналов признаков. Модель разработана для timm и обучена на ImageNet-1k с рецептом ResNet Strikes Back A1. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом и свёрточные обходные соединения 1×1. В модели около 28,1 млн параметров и 4,1 GMACs. Для обучения указано разрешение 224×224, для тестирования — 288×288. Она подходит для классификации объектов на изображениях, формирования карт признаков и эмбеддингов изображений. Модель принимает изображения и выдаёт классовые оценки; эмбеддинги и карты признаков доступны как представления для последующей обработки. Лицензия — Apache-2.0. Карточка не сообщает отдельных ограничений, кроме специализации на изображениях и обучении на ImageNet-1k.

seresnext101_32x8d.ah_in1k — модель компьютерного зрения из библиотеки timm, обученная для классификации изображений. Это архитектура SE-ResNeXt-101 с групповыми свёртками, остаточными связями и механизмом Squeeze-and-Excitation для внимания к каналам. В модели 93,6 млн параметров; она обучалась на ImageNet-1k с размером изображения 224×224, а для тестирования указано разрешение 288×288. Модель подходит для определения объектов и категорий на изображениях, а также как визуальная основа для извлечения карт признаков и эмбеддингов. В README приведены метрики ImageNet для близких вариантов семейства, но не отдельные результаты этой модели. Репозиторий распространяется по лицензии Apache-2.0.

Это модель классификации изображений семейства Swin Transformer, опубликованная авторами статьи Swin Transformer и доступная через библиотеку timm. Модель предварительно обучена на ImageNet-22k; в карточке указаны 109,3 млн параметров и размер входного изображения 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она принимает изображения и выдаёт текстовые метки классов; опубликованные веса сохранены в форматах PyTorch и Safetensors. Лицензия — MIT.

Swin Base Patch4 Window7 224 ms in22k — модель классификации изображений и визуальный backbone из семейства Swin Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и содержит около 109,1 млн параметров. Модель обрабатывает изображения размером 224 × 224; её также можно использовать для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации изображений и построения визуальных представлений в прикладных системах компьютерного зрения. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

timm/tf_efficientnet_b5.ns_jft_in1k — сверточная модель EfficientNet-B5 для классификации изображений и извлечения визуальных признаков. Её обучили авторы исходных работ на ImageNet-1k и неразмеченных данных JFT-300M методом полууправляемого обучения Noisy Student; затем Ross Wightman перенёс веса в PyTorch. В репозитории доступны веса PyTorch и Safetensors, библиотека для работы — timm. Модель содержит около 30,4 млн параметров, требует изображения размером 456 × 456 пикселей и может использоваться как классификатор либо как backbone для получения карт признаков и эмбеддингов. Она предназначена для задач распознавания объектов и категорий на изображениях общего назначения. Лицензия — Apache-2.0.

yanka9 разработал модель ViLT для визуальных вопросов и ответов о модной одежде. Архитектура объединяет текстовые эмбеддинги с Vision Transformer без свёрточного экстрактора признаков и региональной супервизии. Модель содержит 136,7 млн параметров и рассчитана на короткие вопросы с контекстом до 40 токенов. Модель отвечает на открытые и закрытые вопросы по изображениям одежды, включая вопросы о цвете, ткани, форме предметов одежды и аксессуарах, а также о поле человека на изображении. Она обучена на пользовательском наборе yanka9/deepfashion-for-VQA, созданном на основе DeepFashion-MultiModal: для 44 096 изображений сформировано 209 481 вопрос. Модель принимает изображение и текстовый вопрос, выдаёт текстовый ответ. Лицензия — MIT. Назначение модели ограничено перечисленными категориями и характеристиками одежды из обучающего набора; результаты по другим визуальным темам не подтверждены.

VisualQuality-R1-7B — мультимодальная модель для оценки визуального качества изображений, разработанная авторами проекта VisualQuality-R1 и дообученная на Qwen/Qwen2.5-VL-7B-Instruct с применением RL2R. Модель анализирует изображение и может сформировать описание его качества с рассуждением или выдать числовую оценку от 1 до 5; для быстрой работы в режиме reward/evaluation README рекомендует нерассуждающий режим с одним выходным токеном. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Репозиторий использует формат safetensors. В метаданных указан английский язык; основное назначение — безэталонная оценка качества изображений (NR-IQA). Модель распространяется по лицензии MIT.

Это модель компьютерного зрения на основе Vision Transformer (ViT), предназначенная для классификации изображений и извлечения признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Реализацию перенёс на PyTorch Росс Уайтман; модель доступна через библиотеку timm. Модель содержит 88,3 млн параметров, обрабатывает изображения размером 384 × 384 и требует около 12,7 GMACs на проход. Её можно применять для классификации изображений и получения эмбеддингов как визуальных признаков. Модель выпущена под лицензией Apache-2.0. Её обучение на ImageNet делает её подходящей для задач распознавания объектов общего назначения, но качество на изображениях, отличающихся от обучающих данных, может быть ниже; для специализированных сценариев может потребоваться дополнительная адаптация.

Это модель компьютерного зрения на архитектуре Vision Transformer (ViT), предназначенная для классификации изображений и использования в качестве визуального backbone для извлечения признаков. Её обучили авторы исследований на ImageNet-21k, а затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Росс Уайтман перенёс веса из JAX в PyTorch; модель доступна через библиотеку timm. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Она подходит для классификации объектов и получения эмбеддингов изображений, которые можно использовать в последующих задачах компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.