IV.1Ритейл, электронная коммерция и fashion-tech

PantryMax SmolVLM-500M ONNX v2 — браузерная ONNX-модель для локального извлечения данных с этикеток товаров и страниц рецептов. Это дообучение LoRA модели HuggingFaceTB/SmolVLM-500M-Instruct, выпущенное командой PantryMax и предназначенное для работы через ONNX Runtime Web. В приложении PantryMax выбранный сценарий — товар или рецепт — задаёт схему JSON, которой ограничивается декодирование. Модель анализирует изображение и формирует структурированный текстовый результат; поддержка мультиязычности заявлена в метаданных, но конкретные языки не перечислены. Архитектура относится к Idefics3, размер базовой модели — 500 млн параметров. Репозиторий содержит браузерные runtime-артефакты в формате ONNX. Структурированное декодирование помогает получать разбираемый JSON, но не гарантирует фактическую точность: извлечённые значения следует проверять. Модель предназначена для обычных пользовательских сценариев и не должна служить основанием для решений с высокими ставками. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

PiT-B/224 — модель классификации изображений на основе Pooling-based Vision Transformer (PiT), разработанная авторами исследования «Rethinking Spatial Dimensions of Vision Transformers» и обученная на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 73,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. В репозитории доступны веса PyTorch и Safetensors; для работы используется библиотека timm. Модель распространяется по лицензии Apache-2.0. Классификатор обучен на категориях ImageNet-1k, поэтому его метки и качество ориентированы на этот набор классов. Изменение размера или предметной области может потребовать дополнительной настройки; модель не предназначена для понимания текста или обработки других модальностей.

Real3D — модель Hanwen Jiang для построения 3D-представления объекта по изображению. Она использует архитектуру TripoSR — Transformer для отображения 2D-изображений в 3D, основанный на LRM, — и дообучается на реальных изображениях с помощью самонастройки без разметки и автоматического отбора данных. Модель объединяет синтетические данные Objaverse, включая рендеры Zero-1-to-3 и GObjaverse, с изображениями из ImageNet, OpenImages и других коллекций реальных снимков. Это предназначено для реконструкции 3D-объектов по изображениям из более широкого распределения сцен и объектов. Репозиторий содержит веса в формате PyTorch; лицензия — MIT. Real3D принимает изображение и выдаёт 3D-результат. В карточке не описаны ограничения по разрешению входа, качество реконструкции или конкретные требования к среде запуска. Авторы также просят не использовать модель для создания оскорбительных или причиняющих distress 3D-объектов либо для распространения стереотипов.

RegNet-Y-040 — модель компьютерного зрения семейства RegNet, обученная на ImageNet-1k и опубликованная в репозитории Facebook. Архитектура разработана в рамках исследования пространств архитектур для нейронного поиска (NAS); в Transformers она представлена классом RegNetForImageClassification. Модель предназначена для классификации изображений: она принимает изображение и предсказывает класс объекта или сцены. Её можно применять для распознавания категорий на изображениях и использовать как основу для дальнейшей настройки под специализированные задачи. Доступны реализации в форматах PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet-1k, поэтому её исходные категории и качество на специализированных или существенно отличающихся данных могут быть ограничены; для таких сценариев может потребоваться дообучение.

RegNetY-4GF — модель классификации изображений и извлечения визуальных признаков, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Она предназначена для определения объектов на изображениях, использования в качестве визуального backbone и извлечения карт признаков или эмбеддингов. Модель содержит 20,6 млн параметров и требует около 4,0 GMACs на изображение. Для обучения использовался размер изображения 224×224, для тестирования — 288×288. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг и настройку выходного stride, активаций и нормализационных слоёв. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

RegNetY-16GF — сверточная модель классификации изображений из семейства RegNetY, опубликованная в репозитории timm. Веса предварительно обучены участниками проекта torchvision на ImageNet-1k. Модель содержит 83,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 16 GMACs на проход; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации объектов на изображениях, извлечения визуальных признаков и построения эмбеддингов для последующего поиска или анализа. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, настройку шага выходных карт признаков, функций активации и нормализации. Лицензия — BSD 3-Clause.

regnetz_d8_evos.ch_in1k — модель классификации изображений семейства RegNetZ, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура реализована на основе BYOBNet и использует конфигурацию D8: трёхслойный ступенчатый stem без pooling, group width 8 и блоки с inverted bottleneck. Вместо BatchNorm с SiLU применяются нормализационно-активационные слои EvoNorm-S0. Модель содержит около 23,5 млн параметров; для обучения использовался размер изображения 256×256, для оценки — 320×320. Модель предназначена для распознавания объектов из 1000 классов ImageNet и построения визуальных признаков для последующих задач. Языкового ввода или вывода она не поддерживает. Распространяется по лицензии Apache-2.0.

ResNet152.a3_in1k — модель классификации изображений семейства ResNet-B, опубликованная в библиотеке timm и обученная на ImageNet-1k по рецепту ResNet Strikes Back A3. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и обходные соединения с понижающими 1×1-свёртками. Модель содержит 60,2 млн параметров и требует около 5,9 GMACs на изображение. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. При обучении использовался размер изображения 160×160, при оценке — 224×224. Доступны веса PyTorch и safetensors; лицензия Apache-2.0. Карточка не подтверждает поддержку естественного языка или других модальностей.

ResNet-152 Gluon In1k — свёрточная модель классификации изображений и извлечения признаков из семейства ResNet-B, представленная в библиотеке timm. Она обучена на ImageNet-1k с использованием рецептов Bag of Tricks для классификации изображений и рассчитана на входной размер 224 × 224 пикселя. В модели около 60,2 млн параметров; архитектура использует активации ReLU, свёртку 7 × 7 с пулингом и обходные соединения с понижением размерности через свёртки 1 × 1. Модель подходит для классификации изображений по классам ImageNet, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении или как отправную точку для задач, требующих признаков изображений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

ResNet152.tv2_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептами обучения torchvision v2. Это вариант ResNet-B с активациями ReLU, начальной свёрткой 7×7 с пулингом и сокращающими shortcut-свёртками 1×1. Модель содержит около 60,2 млн параметров и требует 7,2 GMACs на изображение. Модель предназначена для распознавания объектов на изображениях, извлечения признаковых карт и получения векторных представлений изображений. Размер изображения при обучении — 176×176 пикселей, при оценке — 224×224. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — BSD 3-Clause. Карточка не сообщает о дополнительных языковых или мультимодальных возможностях.

ResNetV2-34d — сверточная модель для классификации изображений и извлечения визуальных признаков, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как backbone для получения карт признаков и эмбеддингов в задачах компьютерного зрения. Модель содержит 21,8 млн параметров и требует около 3,9 GMACs вычислений. Размер изображения при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Языковой ввод и генерация текста не предусмотрены.

ResNetV2-34d — сверточная модель для классификации изображений и извлечения признаков, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Вариант ra4_e3600_r384_in1k содержит 21,8 млн параметров; обучение проводилось на изображениях 384 × 384, а для оценки использовались изображения 448 × 448. Модель доступна в форматах PyTorch и safetensors. Модель определяет объекты на изображении по классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений в задачах компьютерного зрения. Для работы нужны изображения; языковой ввод и текстовая генерация не поддерживаются. Распространяется по лицензии Apache-2.0.

ResNeXt-101 32x16d — модель классификации изображений и извлечения признаков из семейства ResNeXt, опубликованная авторами в библиотеке timm. Она содержит около 194 млн параметров и использует остаточные блоки с групповыми свёртками 3×3, свёртками 1×1 в обходных соединениях и начальными свёрткой 7×7 и пулингом. Модель предварительно обучена на подмножестве YFCC100M с полусупервизией, а затем дообучена на ImageNet-1k; стандартный размер входного изображения — 224×224. Модель предназначена для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone для компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors; лицензия — CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

ResNeXt-101 32x4d — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная в библиотеке timm. Авторы предварительно обучили её на подмножестве YFCC100M методом полуобучения, а затем дообучили на ImageNet-1k. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и shortcut-соединения с проекцией 1×1. Модель содержит 44,2 млн параметров, требует 8,0 GMACs и рассчитана на изображения размером 224×224. Помимо предсказания классов, её можно применять как основу для получения карт признаков и эмбеддингов изображений. Модель подходит для стандартных задач классификации изображений и построения визуальных признаков. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; при использовании необходимо соблюдать её условия.

ResNeXt-50 32x4d — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептом RandAugment из работы ResNet Strikes Back. Архитектура использует групповые свёртки 3×3 в bottleneck-блоках, активации ReLU и остаточные связи; модель содержит около 25 млн параметров и требует 4,3 GMACs. Размер изображения при обучении — 224×224, при оценке — 288×288. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Она принимает изображения и выдаёт классы ImageNet-1k. Обучение включало RandAugment, оптимизатор RMSProp с усреднением весов EMA и ступенчатое экспоненциальное снижение скорости обучения. Лицензия — Apache-2.0.

ReXNet-R 300 — модель классификации изображений семейства ReXNet-R, разработанная Россом Уайтманом для библиотеки timm. Она использует архитектуру ReXNet-R, в которой размеры каналов округляются для эффективной работы тензорных ядер NVIDIA. Модель содержит около 34,8 млн параметров и предназначена также для извлечения признаковых карт и эмбеддингов изображений. Модель предварительно обучена на ImageNet-12k, а затем дообучена на ImageNet-1k. В карточке приведены размеры изображений 224×224 для обучения и 288×288 для тестирования, а также точность top-1 84,53% и top-5 97,252% на ImageNet-1k. Весы доступны в форматах PyTorch и Safetensors и рассчитаны на классификацию изображений и использование в качестве визуального бэкбона. Лицензия — Apache-2.0.

Roboflow/rf-detr-segmentation — модель сегментации экземпляров из семейства RF-DETR, разработанного Roboflow. Она предсказывает отдельные маски объектов, а также ограничивающие рамки и оценки классов для изображений; чекпойнт обучен на 80 категориях объектов COCO 2017. Архитектура объединяет визуальный трансформерный backbone в стиле DINOv2 с регистрами, чередование оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой предсказания масок. Модель предназначена для сегментации объектов на изображениях, в том числе в сценариях реального времени, и доступна для использования через Transformers. В README не приведены численный размер модели и характеристики скорости именно этого чекпойнта. Лицензия — Apache-2.0.

Карточка модели JobHarvest/sam3 на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. 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.

Карточка модели research21/sam3 на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. 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.

Модель milyiyo/selectra-small-finetuned-amazon-review — дообученная Recognai/selectra_small модель Electra для классификации текста отзывов Amazon. Она предназначена для определения классов или тональности отзывов; README приводит результаты оценки на наборе amazon_reviews_multi: accuracy 0,737 и F1 0,7438. Модель содержит 25,4 млн параметров, использует PyTorch и принимает последовательности длиной до 512 токенов. Модель подходит для автоматической сортировки и анализа отзывов, однако приведённых метрик недостаточно, чтобы оценить качество на других наборах данных или в производственной среде. Языки в использованных метаданных не обозначены. Лицензия — Apache-2.0.

StokCerdas — дообученная Amazon модель Chronos-T5-mini для прогнозирования спроса на скоропортящиеся товары в рознице. Разработана для системы рекомендаций по пополнению запасов небольших розничных магазинов и представлена как работа для AIC COMPFEST 18. Модель основана на архитектуре T5 и содержит 9,8 млн параметров. Она прогнозирует временные ряды на горизонт 7 дней, используя контекст до 512 токенов. Для дообучения применён набор FreshRetailNet-50K с данными 100 магазинов; оценка проводилась на 184 комбинациях магазин—товар. В отчёте отмечено небольшое преимущество над простым скользящим средним по WAPE и MAE, особенно для медленно продающихся товаров. Результаты ограничены данными о свежих продуктах из Китая, поэтому перенос на другие рынки и магазины не проверен. Преимущество над базовым методом невелико, а по MASE модель уступила скользящему среднему. Доступна под лицензией Apache-2.0.

tf_efficientnet_lite1.in1k — сверточная модель семейства EfficientNet-Lite для классификации изображений и извлечения признаков. Её обучили авторы оригинальной работы на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется в формате PyTorch/SafeTensors через библиотеку timm. В ней около 5,4 млн параметров, расчётный размер входного изображения — 240 × 240 пикселей. Модель подходит для определения объектов и сцен на изображениях из 1000 классов ImageNet-1k, а также как компактная основа для извлечения карт признаков и эмбеддингов изображений. Она рассчитана на задачи компьютерного зрения и не предназначена для понимания текста или генерации изображений. Лицензия — Apache-2.0.

Это модель классификации изображений на архитектуре EfficientNetV2-B3 из библиотеки timm. Её обучили авторы статьи на ImageNet-21k, затем дообучили на ImageNet-1k в TensorFlow; веса перенёс в PyTorch Росс Уайтман. Модель содержит 14,4 млн параметров и предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Для обучения использовались изображения размером 240 × 240 пикселей, для оценки — 300 × 300. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Модель ориентирована на распознавание категорий из ImageNet и может быть менее подходящей для изображений, заметно отличающихся от обучающих данных.

Это модель классификации изображений EfficientNetV2-S, обученная авторами оригинальной работы на ImageNet-21k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Репозиторий опубликован в формате PyTorch и Safetensors для библиотеки timm; лицензия — Apache-2.0. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Она содержит 48,2 млн параметров и требует 5,4 GMACs; размер изображения при обучении составлял 300 × 300, при тестировании — 384 × 384. Обучение на ImageNet-21k даёт широкое покрытие категорий изображений, но карточка не заявляет поддержки других модальностей или специализированных предметных областей.

Карточка модели WangChen0401/TimeMoE-50M на Hugging Face совпадает с карточкой Maple728/TimeMoE-50M, поэтому описание составлено по ней. Maple728/TimeMoE-50M — модель прогнозирования временных рядов из семейства Time-MoE, представленная как веса модели из статьи «Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts». Она предназначена для прогнозирования будущих значений по историческим последовательностям временных рядов. Модель использует архитектуру Mixture of Experts и класс TimeMoeForPrediction. В репозитории указано 28,3 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Автор карточки ссылается на GitHub-страницу проекта для инструкций по использованию. Модель подходит для задач прогнозирования временных рядов общего назначения. В карточке не описаны конкретные отрасли, наборы данных или языковые возможности. Лицензия — Apache-2.0.

timm/twins_svt_large.in1k — модель классификации изображений и извлечения визуальных признаков из семейства Twins-SVT, обученная авторами статьи на ImageNet-1k. Она предназначена для отнесения изображения к классу, а также может использоваться как визуальная основа для получения эмбеддингов и построения других компьютерно-зрительных систем. Модель построена на архитектуре Vision Transformer с пространственным вниманием Twins-SVT и содержит около 99,3 млн параметров. Указанный размер входного изображения — 224 × 224 пикселя; вычислительная сложность составляет 15,1 GMACs. Репозиторий предоставляет веса PyTorch и safetensors для библиотеки timm. Модель подходит для классификации изображений и извлечения признаков на данных, близких к ImageNet-1k. Её назначение ограничено визуальными задачами; карточка не заявляет поддержку обработки текста или иных модальностей. Лицензия — Apache-2.0.

Granitagushi/vit-base-fashion — модель классификации изображений одежды, созданная дообучением Vision Transformer google/vit-base-patch16-224 на наборе zalando-datasets/fashion_mnist. Модель принимает изображение и относит его к одному из классов одежды Fashion-MNIST. В README указана точность 0,9102 и функция потерь 0,2513 на оценочной выборке. Архитектура ViT имеет около 113,2 млн параметров; веса представлены в формате safetensors и модель использует библиотеку Transformers. Лицензия — Apache-2.0.

Это визуальный энкодер EUPE ViT-Base/16 из семейства Vision Transformer, предназначенный для извлечения признаков и эмбеддингов изображений. Модель разработана для timm и дистиллирована на наборе LVD-1689M методом Efficient Universal Perception Encoder: учительская модель была получена дистилляцией нескольких универсальных визуальных энкодеров, специализирующихся на разных областях. Число параметров — около 85,7 млн; штатный размер изображения — 256 × 256 пикселей. Энкодер принимает изображения и возвращает визуальные признаки, включая class-, register- и patch-токены. Их можно использовать для построения эмбеддингов, извлечения карт признаков и последующей классификации или других задач компьютерного зрения. В timm по умолчанию используется усреднённый пулинг; для пулинга по class-токену нужно явно выбрать global_pool="token". Модель не предназначена для генерации текста или изображений. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Росс Уайтман перенёс веса в PyTorch для библиотеки timm. Модель содержит около 88,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet и получения эмбеддингов изображений как основы для последующих задач компьютерного зрения. Архитектура ViT обрабатывает изображение как последовательность патчей. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache 2.0.

Это модель классификации изображений на основе Vision Transformer (ViT) с патчами 16×16 и входным размером 384×384 пикселя. Авторы обучили её в JAX на ImageNet-21k и дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель содержит около 304,7 млн параметров и также может использоваться как основа для извлечения признаков изображений. Модель предназначена для присвоения изображениям классов из набора ImageNet-1k и получения визуальных представлений для последующих задач компьютерного зрения. Для запуска доступны форматы PyTorch и Safetensors, библиотека timm. Лицензия — Apache-2.0.