IV.1Ритейл, электронная коммерция и fashion-tech

tf_efficientnet_b7.aa_in1k — сверточная модель EfficientNet-B7 для классификации изображений и извлечения визуальных признаков. Изначально обучена авторами EfficientNet на ImageNet-1k с использованием AutoAugment в TensorFlow, затем перенесена в PyTorch Россом Вайтманом и опубликована в библиотеке timm. Число параметров — около 66,3 млн; рекомендуемый размер изображения — 600 × 600 пикселей. Модель подходит для определения объектов и категорий на изображениях, получения карт признаков и визуальных эмбеддингов, например для поиска похожих изображений или как визуальная основа для прикладных систем компьютерного зрения. Основная задача из карточки — классификация изображений по категориям ImageNet-1k. Для использования доступны веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не описывает поддержку входов, отличных от изображений, и не приводит сведения о языковых возможностях.

Valley-Eagle-7B — мультимодальная модель ByteDance для понимания текста и изображений. Она основана на Qwen2.5-7B-Instruct и сочетает визуальные энкодеры SigLIP и Qwen2-VL с проектором LargeMLP и ConvAdapter; архитектура поддерживает гибкое число визуальных токенов. Модель предназначена для диалогов и анализа визуальных данных, в том числе сценариев электронной коммерции и коротких видео. По метаданным, модель содержит 7,1 млрд параметров, использует контекст до 32 768 токенов и распространяется в формате safetensors. Карточка сообщает о высоких результатах на внутренних тестах электронной коммерции и коротких видео, а также на OpenCompass, но не приводит методику и подробности этих оценок. Метаданные указывают интерфейс вызова инструментов. Лицензия — Apache-2.0. В README заявлены обработка текста, изображений и видео, однако метаданные подтверждают только задачу text-generation; поддержка видео в практическом интерфейсе из доступных сведений неясна.

Perceiver IO for vision — модель семейства Perceiver, разработанная Google DeepMind и представленная в работе Jaegle и соавторов. Она предназначена для классификации изображений и предобучена на ImageNet: 14 млн изображений и 1000 классов. Для подготовки изображения применяется свёрточная сеть с max pooling, после чего Perceiver обрабатывает данные через перекрёстное внимание между входом и небольшим набором латентных векторов. Такой подход позволяет ограничить зависимость затрат на self-attention от размера входа. Модель принимает изображения, обрезанные и приведённые к разрешению 224×224, с нормализацией RGB-каналов, и выдаёт оценки классов. На ImageNet-1k указана точность top-1 82,1%. Чекпойнт можно использовать для классификации или как основу для извлечения признаков и обучения классификаторов на размеченных наборах данных. Распространяется по лицензии Apache-2.0.

Это модель классификации изображений на архитектуре Vision Transformer (ViT) с патчами 16×16. Её обучили авторы исследований на ImageNet-21k с расширенной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель содержит 325,7 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для классификации изображений и может использоваться как основа для извлечения визуальных признаков и эмбеддингов. Она подходит для распознавания объектов и сцен в изображениях и построения систем компьютерного зрения. Весам предоставлена лицензия Apache-2.0.

vit_pe_spatial_small_patch16_512.fb — визуальная модель из библиотеки timm, предназначенная для извлечения признаков из изображений. В метаданных Hugging Face она классифицируется с pipeline-тегом image-feature-extraction и поддерживает использование через экосистему PyTorch и Transformers. По названию модели можно определить архитектурное семейство Vision Transformer (ViT), вариант Small с размером входного изображения 512 и патчами 16×16. Модель предназначена для получения векторных или пространственных представлений изображений, которые могут использоваться в downstream-задачах компьютерного зрения, включая поиск похожих изображений, классификацию и построение мультимодальных систем. Модель не является генеративной и не предназначена для распознавания или генерации текста, речи либо изображений. Подробности о наборе данных, точных параметрах, поддерживаемых форматах входа и показателях качества в доступных материалах отсутствуют. Лицензия Apache-2.0 разрешает использование, модификацию и распространение с соблюдением её условий.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы работы на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; реализацию на PyTorch подготовил Ross Wightman. Репозиторий распространяется через библиотеку timm и содержит веса в форматах PyTorch и safetensors. Модель ViT-Small использует патчи размером 16×16 и рассчитана на изображения 224×224 пикселя. В ней 22,1 млн параметров; вычислительная стоимость составляет 4,3 GMACs. Её можно применять для предсказания классов изображений или как основу для получения эмбеддингов и других задач компьютерного зрения. Лицензия — Apache-2.0. Модель обучена на ImageNet, поэтому её качество может быть ниже на изображениях из других предметных областей или с распределением, отличающимся от обучающих данных.

facebook/webssl-dino1b-full2b-224 — визуальная модель семейства DINOv2, разработанная Meta и представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan и соавторы, 2025). Это Vision Transformer примерно с 1,5 млрд параметров по метаданным; в карточке указана конфигурация ViT шириной 1536, глубиной 40 слоёв и с 24 головами внимания. Модель обучена самообучением на 2 млрд веб-изображений MetaCLIP без языковой супервизии и рассчитана на входные изображения размером 224×224 пикселя. Основное назначение — извлечение визуальных признаков для последующего использования в задачах компьютерного зрения. Самообучение без текстовых описаний позволяет получать визуальные представления, применимые в разных задачах анализа изображений; README сообщает о результатах на уровне или выше языково-супервизированных моделей вроде CLIP, но не приводит конкретных метрик. Для использования весов требуется учитывать лицензию CC BY-NC 4.0, которая ограничивает коммерческое применение.

YOLO26 — семейство моделей компьютерного зрения, разработанное Ultralytics. Репозиторий содержит модели на PyTorch; карточка описывает варианты для обнаружения объектов, сегментации, классификации изображений, оценки глубины и позы, а также обнаружения ориентированных объектов. Для отслеживания объектов поддерживается режим, совместимый с несколькими типами моделей семейства. Модели предназначены для анализа изображений и видеокадров в прикладных системах компьютерного зрения. В README приведены результаты для вариантов, предварительно обученных на COCO, COCO-Seg, Cityscapes, ImageNet и DOTAv1; размеры моделей и показатели производительности различаются между вариантами. Лицензия репозитория — AGPL-3.0; для коммерческого использования Ultralytics предлагает запросить корпоративную лицензию.

SpotLab/YOLOv8Detection — модель компьютерного зрения от SpotLab, основанная на архитектуре YOLOv8 и предназначенная для обнаружения объектов на изображениях. Она возвращает найденные объекты и их ограничивающие рамки, поэтому подходит для анализа фотографий и видеокадров.

ultralyticsplus/yolov8s — модель обнаружения объектов семейства YOLOv8 в формате PyTorch. Она предназначена для анализа изображений и поиска на них объектов с определением их классов и расположения; карточка связывает её с библиотекой Ultralytics, а README указывает пакет ultralyticsplus для использования. Модель подходит для сценариев компьютерного зрения, где требуется находить объекты на изображениях. В метаданных указана лицензия AGPL-3.0; при использовании необходимо соблюдать её условия.

Это веса визуального энкодера AIM-v2 huge с патчами 14×14 и входным разрешением 224 пикселя, опубликованные в репозитории timm/aimv2_huge_patch14_224.apple_pt. Модель совместима с библиотекой timm и предназначена для извлечения признаков из изображений. Эти признаки можно использовать как вход для последующей классификации, поиска по сходству или других задач компьютерного зрения. В метаданных указаны форматы PyTorch и Safetensors и лицензия Apple ASCL. Сведения о конкретных ограничениях использования в карточке не приведены.

Карточка модели CollectionStudio/chronos-2-small на Hugging Face совпадает с карточкой autogluon/chronos-2-small, поэтому описание составлено по ней. Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

CommerceCore — дообученная модель на 1,7 млрд параметров для преобразования естественно-языковых поисковых запросов в интернет-магазинах в структурированные ограничения каталога: например, извлечения цвета, цены, состава товара и других атрибутов. Она основана на плотной авторегрессионной архитектуре Qwen3 и обучена методом QLoRA на примерах извлечения ограничений; адаптер объединён с базовыми весами, поэтому модель поставляется как самостоятельный артефакт. Модель ориентирована на английские запросы и поддерживает контекст до 40 960 токенов. Её используют для разбора поисковых запросов и подготовки фильтров, которые затем применяются при поиске, ранжировании или объяснении рекомендаций. В карточке приведены результаты на тестовых наборах, но независимая проверка на свежих запросах показывает, что заявленное преимущество проявляется не во всех условиях. Разработчик обозначает модель как исследовательский прототип и предостерегает от использования в production без собственной проверки. Лицензия — Apache-2.0.

ConvFormer B36 SAIL IN22K — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она основана на архитектуре ConvFormer семейства MetaFormer и обучена авторами статьи на ImageNet-22k. Модель содержит около 163,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения классов объектов на изображении, получения карт признаков и визуальных эмбеддингов, которые можно использовать в последующих задачах компьютерного зрения. Репозиторий распространяется в форматах PyTorch и Safetensors, библиотека — timm. Лицензия — Apache-2.0.

ConvNeXt Base — свёрточная модель для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman в библиотеке timm: веса визуальной башни CLIP предварительно обучены OpenCLIP на LAION-2B, затем модель дообучена на ImageNet-1k. В репозитории указано 88,6 млн параметров и размер входного изображения 256 × 256 пикселей. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Предобучение на LAION-2B даёт визуальные признаки, полученные в рамках обучения CLIP на изображениях и тексте, но карточка описывает этот чекпойнт как классификатор, дообученный на ImageNet-1k. Метрики и скорость зависят от оборудования и режима запуска. Модель распространяется по лицензии Apache-2.0. Для использования нужны изображения; модель выдаёт классы или визуальные признаки и эмбеддинги. Карточка не описывает поддержку текстового ввода в этом чекпойнте.

ConvNeXt Large MLP — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman в библиотеке timm, взяв визуальную башню CLIP, предварительно обученную OpenCLIP на LAION-2B, и дообучив её на ImageNet-1k. Архитектура основана на ConvNeXt; модель содержит около 200,1 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель присваивает изображениям классы ImageNet-1k, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Предварительное обучение на LAION-2B и последующее дообучение на ImageNet-1k сочетают визуальные представления CLIP с классификацией по классам ImageNet. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Классификационные результаты и скорость зависят от оборудования и настроек инференса. Модель ориентирована на визуальные задачи и не предназначена для генерации текста или обработки изображений произвольного разрешения без соответствующей подготовки входа.

ConvNeXt-Tiny — сверточная модель классификации изображений из семейства ConvNeXt, опубликованная в timm. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит 28,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений по категориям и может использоваться как базовая сеть для извлечения признаковых карт и эмбеддингов изображений. Она подходит для построения систем распознавания объектов на изображениях и для визуального поиска или кластеризации на основе признаков. Модель принимает изображения и выдаёт оценки классов либо признаки изображения. В карточке приведены результаты на ImageNet, но они не гарантируют такого же качества на данных из других областей. Лицензия — Apache-2.0.

ConvNeXt-V2 Base — модель компьютерного зрения для классификации изображений и извлечения признаков, распространяемая в библиотеке timm. Она предварительно обучена методом FCMAE и дообучена на ImageNet-22k, затем на ImageNet-1k. Модель содержит 88,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель относит изображение к классам ImageNet-1k; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В README приведены результаты на ImageNet: точность top-1 — 86,8%, top-5 — 98,2%. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги, в зависимости от способа использования. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; перед применением следует соблюдать условия лицензии.

facebook/convnextv2-huge-22k-512 — сверточная модель компьютерного зрения ConvNeXt V2, опубликованная командой Facebook. Она предварительно обучена с помощью FCMAE и дообучена на ImageNet-22K для классификации изображений при разрешении 512 × 512 пикселей. Архитектура использует полностью сверточный masked autoencoder и слой Global Response Normalization (GRN). Модель предназначена для присвоения изображениям классов ImageNet-22K и может служить основой для адаптации к другим задачам распознавания изображений. Весовые файлы доступны в форматах PyTorch и Safetensors. Репозиторий распространяется по лицензии Apache-2.0. Количество параметров и поддерживаемые языки не указаны в использованных источниках.

NVIDIA C-RADIOv2-G — модель извлечения визуальных признаков на архитектуре Vision Transformer. Она преобразует RGB-изображения в тензорные эмбеддинги для последующего использования в приложениях компьютерного зрения. Модель предназначена для разработчиков систем анализа изображений и может служить источником признаков для классификации, сегментации, оценки глубины и интеграции в vision-language-модели. Модель возвращает сводный вектор для представления изображения целиком и пространственные признаки для локализованного анализа. Поддерживаются изображения размером до 2048×2028 пикселей с шагом 16. В семействе C-RADIOv2 есть варианты разных размеров; для G в карточке приведено 1,8 млрд параметров. Обучение проводилось на 700 млн изображений из NV-CC-Img-Text-Dataset, оценка — на ImageNet. Для применения эмбеддингов требуется downstream-модель или приложение. Карточка сообщает о готовности к коммерческому и некоммерческому использованию, а также указывает лицензию other и необходимость соблюдать NVIDIA Open Model License Agreement.

DeiT-tiny-distilled-patch16-224 — компактная дистиллированная модель Vision Transformer, опубликованная в репозитории Facebook AI Research. Её веса преобразованы из timm; модель дообучена на ImageNet-1k для классификации изображений по 1 000 классам. В архитектуре используются токен дистилляции, токен класса и патчи изображения размером 16×16. Модель содержит 7,1 млн параметров и принимает изображения с разрешением 224×224 после подготовки и нормализации в стиле ImageNet. Модель подходит для распознавания объектов и сцен на изображениях, в том числе в сценариях, где важны компактность и скорость обработки. На ImageNet-1k в карточке указана точность top-1 72,2% и top-5 91,1%. Для задач, требующих большей точности, можно рассмотреть более крупные варианты DeiT или дообучение на целевом наборе данных; при дообучении карточка отмечает преимущество разрешения 384×384. Лицензия — Apache 2.0.

Afzalsiiit/DinoV1 — модель классификации изображений на базе визуального трансформера DINOv2 Base, дообученная разработчиком Afzalsiiit на наборе данных в формате imagefolder. Она предназначена для отнесения изображений к классам в сценариях, где набор категорий определяется обучающими данными. Модель содержит 113,2 млн параметров, использует архитектуру Dinov2ForImageClassification и распространяется в формате safetensors для библиотеки Transformers. В оценке на тестовой выборке указано значение loss 0,2053. Лицензия — Apache-2.0. Специализация классов и ограничения применения в карточке не описаны.

dla60x.in1k — модель классификации изображений семейства DLA (Deep Layer Aggregation), обученная авторами статьи на ImageNet-1k и опубликованная в экосистеме timm. Она предназначена для определения объектов на изображениях, а также может использоваться как основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 17,4 млн параметров, выполняет 3,5 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и Safetensors. Лицензия — BSD 3-Clause.

ECA-NFNet-L2.ra3_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она содержит 56,7 млн параметров и использует архитектуру NFNet без слоёв нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных блоках. Вариант Lightweight NFNet имеет уменьшенные коэффициенты расширения блоков, а механизм ECA заменяет SE-внимание; в модели также используются активации SiLU. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Размер изображения при обучении — 320 × 320 пикселей, при тестировании — 384 × 384. Веса доступны в форматах PyTorch и SafeTensors. Лицензия — Apache-2.0. Карточка не описывает поддержку текстовых или иных входных данных.

EfficientNet-B5 — свёрточная модель для классификации изображений и извлечения визуальных признаков. Её обучил Ross Wightman с библиотекой timm на ImageNet-12k; в репозитории доступны веса PyTorch в формате safetensors. Модель содержит 52,6 млн параметров и рассчитана на изображения размером 416 × 416 пикселей. Модель подходит для отнесения изображений к категориям, извлечения карт признаков и получения векторных представлений изображений. В README описано обучение по рецепту с оптимизатором AdamW, ограничением градиентов, усреднением весов EMA и косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0. Модель обучена на ImageNet-12k, поэтому её классификация ориентирована на категории этого набора данных; качество на других типах изображений может отличаться.

efficientnetv2_rw_t.ra2_in1k — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения визуальных признаков. Она основана на архитектуре EfficientNetV2 и обучена на ImageNet-1k с рецептом RandAugment RA2; в карточке также указаны оптимизатор RMSProp с усреднением EMA и ступенчатое экспоненциальное уменьшение скорости обучения с разогревом. Модель содержит 13,6 млн параметров и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для определения объектов и сцен по изображениям, извлечения карт признаков и получения векторных представлений изображений. Для использования доступны веса PyTorch и safetensors; библиотека — timm. Модель распространяется по лицензии Apache-2.0. Обучение на ImageNet-1k означает, что качество на других предметных областях и типах изображений может отличаться.

EfficientViT B2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, разработанная авторами работы EfficientViT в MIT и опубликованная в timm. Она обучена на ImageNet-1k и принимает изображения размером 256 × 256 пикселей. Архитектура EfficientViT использует многомасштабное линейное внимание; модель содержит около 24,3 млн параметров и требует 2,1 GMACs на изображение. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и получения эмбеддингов изображений для дальнейших задач компьютерного зрения. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий.

EscherNet-6DoF — чекпойнт модели EscherNet с 6DoF CaPE, разработанной для синтеза новых ракурсов по одному или нескольким опорным изображениям. Модель диффузионная: она использует многовидовые условия и специальное кодирование положения камеры, чтобы управлять относительным преобразованием камеры между опорными и целевыми ракурсами. Модель предназначена для генерации согласованных изображений объекта с новых ракурсов, в том числе для zero-shot синтеза ракурсов и реконструкции 3D по одному или нескольким изображениям. EscherNet может одновременно создавать более 100 целевых ракурсов на потребительском GPU; при этом обучение проводилось на фиксированной схеме из трёх опорных и трёх целевых ракурсов. Файлы представлены в формате Diffusers/PyTorch. В README лицензия не указана.

EVA02 Large Patch14 448 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработали авторы EVA-02; версия из библиотеки timm предварительно обучена на Merged-38M с masked image modeling под руководством EVA-CLIP, а затем дообучена на ImageNet-1k. В состав предобучающего набора входят данные ImageNet-22K, CC12M, CC3M, COCO, ADE20K, Object365 и OpenImages. Модель построена на архитектуре Vision Transformer с патчами 14×14, средним пулингом, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. Она содержит около 305,1 млн параметров и рассчитана на изображения размером 448×448. На ImageNet-1k в карточке приведён результат top-1 90,054% и top-5 99,042%. Модель может служить классификатором или визуальной основой для получения признаков изображений. Для использования доступны веса PyTorch и safetensors через timm; карточка указывает лицензию MIT. Модель принимает изображения и выдаёт метки классов либо векторы признаков. Ее назначение ограничено задачами компьютерного зрения, а качество зависит от соответствия входных изображений обучающим данным и сценариям.

FlexiViT Base 1000ep In21k — модель классификации изображений и визуальная backbone-модель. Её обучили авторы статьи FlexiViT на ImageNet-1k в JAX, затем Ross Wightman перенёс веса в PyTorch; репозиторий содержит формат PyTorch и safetensors. Модель включает 102,6 млн параметров и рассчитана на изображения размером 240 × 240 пикселей. Модель предназначена для классификации изображений и получения визуальных эмбеддингов, которые можно использовать в последующих задачах компьютерного зрения. Архитектура FlexiViT основана на Vision Transformer и поддерживает работу с разными размерами патчей. Лицензия — Apache-2.0. Это готовый чекпойнт для применения и экспериментов с компьютерным зрением. В карточке указано обучение на ImageNet-1k; отдельные ограничения качества или области применения не описаны.