IV.1Ритейл, электронная коммерция и fashion-tech

Модель vit_mediumd_patch16_reg4_gap_384.sbb2_e200_in12k_ft_in1k разработана Ross Wightman для библиотеки timm и предназначена для классификации изображений и извлечения визуальных признаков. Это Vision Transformer с патчами 16×16, четырьмя register-токенами и глобальным усреднением признаков; модель содержит около 64,3 млн параметров и рассчитана на изображения размером 384×384 пикселя. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. В сравнении из карточки для неё указаны точность top-1 87,438% и top-5 98,256%. Её можно применять для классификации изображений, получения карт признаков и визуальных эмбеддингов. Поддержка текстового ввода или генерации изображений не заявлена. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet, поэтому результаты на специализированных изображениях и вне её классов могут быть ограничены; карточка не описывает гарантии качества для таких сценариев.

timm/vit_small_patch14_reg4_dinov2.lvd142m — модель извлечения признаков изображений на основе Vision Transformer (ViT), доступная через библиотеку timm. Она содержит 22,1 млн параметров и предварительно обучена на наборе LVD-142M методом самообучения DINOv2; версия использует четыре регистра. Модель рассчитана на изображения размером 518 × 518 пикселей. Полученные признаки можно использовать для построения эмбеддингов изображений и как основу для задач компьютерного зрения, включая классификацию. Карточка также приводит вычислительные характеристики: 29,6 GMACs и 57,5 млн активаций. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0.

Это модель Vision Transformer (ViT) для классификации изображений и использования в качестве визуального backbone. Её обучили авторы научной работы на ImageNet-21k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса из JAX в PyTorch. Модель содержит около 30,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для распознавания объектов и категорий на изображениях, а также для извлечения визуальных признаков и эмбеддингов в компьютерном зрении. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Ross Wightman в библиотеке timm. Вариант архитектуры использует патчи 16×16, один регистр и глобальное среднее пулингование; число параметров — около 136,5 млн, рекомендованный размер изображения — 448×448 пикселей. Модель предварительно обучена на ImageNet-12k, затем дообучена на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. В README приведены результаты на ImageNet-1k: top-1 88,068% и top-5 98,588% для варианта с размером изображения 448. Модель работает с изображениями и выдаёт классы; сведения о поддержке естественных языков неприменимы. Для использования необходимы вычислительные ресурсы, соответствующие ViT с 136,5 млн параметров и обработке изображений высокого разрешения. Распространяется по лицензии Apache-2.0.

volo_d1_224.sail_in1k — модель классификации изображений на основе архитектуры VOLO (Vision Outlooker), доступная через библиотеку timm. Она обучена авторами статьи на ImageNet-1k с разметкой токенов и может использоваться для определения объектов и сцен на изображениях, а также как визуальный backbone для извлечения признаков. Модель содержит 26,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует входное изображение. Репозиторий предоставляет веса PyTorch и SafeTensors. Лицензия Apache-2.0.

VOLO-D3 — модель классификации изображений семейства Vision Outlooker, опубликованная в репозитории timm. Она обучена авторами статьи на ImageNet-1k с разметкой токенов и предназначена для распознавания объектов на изображениях, а также для извлечения визуальных признаков. Модель содержит 86,3 млн параметров, обрабатывает изображения размером 224 × 224 и требует библиотеку timm; веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и получения эмбеддингов изображений в качестве признаков для последующих задач компьютерного зрения. Карточка не приводит сведений о лицензии, поэтому условия использования по ней определить нельзя.

XCiT Nano 12/8 — компактная модель классификации изображений семейства Cross-Covariance Image Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Модель обучена на ImageNet-1k с дистилляцией и может использоваться как классификатор или визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит около 3 млн параметров, требует 2,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

YOLOE — модель компьютерного зрения, представленная авторами Ao Wang, Lihao Liu, Hui Chen, Zijia Lin, Jungong Han и Guiguang Ding; репозиторий содержит официальную реализацию на PyTorch. Она объединяет обнаружение объектов и сегментацию и рассчитана на работу в реальном времени с открытым набором категорий. Модель принимает текстовые или визуальные подсказки, а также поддерживает режим без подсказок с использованием встроенного словаря объектов. В README приведены варианты YOLOE-v8-S, M и L с 12–50 млн параметров в зависимости от размера и режима; для обнаружения и сегментации указаны результаты на LVIS и перенос на COCO. Авторы сообщают о высокой скорости, zero-shot обнаружении и переносимости на другие наборы данных. Репозиторий также описывает настройку порога уверенности для случаев, когда нужные объекты не обнаруживаются. Метаданные указывают библиотеку Ultralytics и лицензию AGPL-3.0.

YOLOS-small — модель обнаружения объектов, разработанная авторами YOLOS и представленная в работе Fang et al. «You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection». Это Vision Transformer с архитектурой YOLOS, дообученный на COCO 2017 для предсказания классов объектов и их ограничивающих рамок на изображениях. Размер модели — 28,3 млн параметров. Модель принимает изображение и возвращает обнаруженные объекты с классами и рамками. Она предварительно обучалась на ImageNet-1k, затем дообучалась на COCO 2017; заявленный результат на валидации COCO 2017 — 36,1 AP. Подходит для распознавания и локализации объектов на фотографиях, в том числе в прикладных системах компьютерного зрения. Модель распространяется под лицензией Apache-2.0. Результаты зависят от сходства входных изображений с обучающими данными COCO; карточка приводит оценку на COCO, поэтому она сама по себе не гарантирует качество на других наборах изображений.

Это веса визуального энкодера AIM-v2 Large Patch14 224, опубликованные в формате, совместимом с библиотекой timm. Модель предназначена для извлечения признаковых представлений из изображений, которые можно использовать в последующих задачах компьютерного зрения. Веса доступны в PyTorch и safetensors. Указана лицензия apple-ascl. Карточка не приводит сведения о размере модели, обучении, поддерживаемых языках или конкретных ограничениях применения.

CAFormer B36 SAIL — модель для классификации изображений и извлечения визуальных признаков, разработанная авторами статьи о базовых моделях MetaFormer для компьютерного зрения и обученная на ImageNet-1k. Архитектура CAFormer относится к семейству MetaFormer. Модель содержит около 98,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для определения объектов и сцен на изображениях, извлечения карт признаков и получения векторных представлений изображений. Она может служить визуальным backbone в системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache 2.0.

ConvFormer B36 — модель классификации изображений семейства MetaFormer, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k; модель также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Веса содержат около 99,9 млн параметров; указан размер входного изображения 224 × 224 пикселя и вычислительная сложность 22,7 GMACs. Модель предназначена для распознавания объектов и категорий на изображениях, а также для использования в компьютерном зрении как основа для последующей обработки признаков. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает поддержку текстовых или иных языков; применимые ограничения качества и области применения отдельно не указаны.

ConvNeXT Large — сверточная модель компьютерного зрения, представленная авторами Liu et al. в работе «A ConvNet for the 2020s» и опубликованная в репозитории Facebook. Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k; она классифицирует изображения по 1000 классам ImageNet-1k при разрешении 384×384 пикселя. Архитектура ConvNeXT — чистая сверточная сеть, дизайн которой вдохновлён Vision Transformer и модернизированной архитектурой ResNet с использованием идей Swin Transformer. Модель предназначена для классификации изображений; веса доступны в форматах PyTorch и TensorFlow. Лицензия — Apache 2.0.

Это модель компьютерного зрения на архитектуре ConvNeXt Large MLP, разработанная Ross Wightman. Веса визуального энкодера CLIP предварительно обучены OpenCLIP на наборе LAION-2B, затем модель дообучена для классификации изображений на ImageNet-12k. Она предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 216,8 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Её визуальные представления можно использовать как основу для переноса обучения и других задач компьютерного зрения. Карточка приводит сравнительные метрики классификации, но не раскрывает численные результаты именно этой модели. Лицензия — Apache-2.0.

ConvNeXt Tiny — сверточная модель для классификации изображений из библиотеки timm. Её разработал Ross Wightman: модель предварительно обучена на ImageNet-12k, содержащем 11 821 класс, а затем дообучена на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель принимает изображения размером 384 × 384 пикселя и предсказывает класс объекта или сцены. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. В модели 28,6 млн параметров; в карточке приведены результаты ImageNet-сравнения, включая точность top-1 и top-5. Модель рассчитана на задачи классификации с категориями, представленными в обучающих наборах данных. Результаты на других типах изображений и вне этих категорий могут быть хуже; карточка не описывает отдельную оценку таких сценариев.

ConvNeXt-V2 Nano — модель компьютерного зрения для классификации изображений и извлечения признаков, распространяемая в составе библиотеки timm. Она предварительно обучена методом FCMAE, затем дообучена на ImageNet-22k и ImageNet-1k. Модель содержит 15,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для определения объектов и сцен на изображениях, а также для получения карт признаков и эмбеддингов в конвейерах компьютерного зрения. В README приведены результаты классификации на ImageNet и примеры извлечения признаков и эмбеддингов. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

C-RADIOv2-H — модель NVIDIA для извлечения признаков изображений. Она использует архитектуру Vision Transformer и выдаёт тензоры эмбеддингов: сводный вектор, представляющий изображение целиком, и пространственные признаки с локальной информацией. Вариант H содержит 653 млн параметров. Модель предназначена для разработчиков, которые используют её признаки в последующих системах компьютерного зрения: для классификации и отбора изображений, семантической сегментации, оценки глубины и интеграции в модели «зрение — язык». На вход подаются RGB-изображения; поддерживаются разрешения до 2048×2028 с шагом 16 пикселей. Для применения эмбеддингов требуется downstream-модель. В README указано, что модель подходит для коммерческого и некоммерческого использования. Применение ограничено условиями NVIDIA Open Model License Agreement.

C-RADIOv4-SO400M — модель извлечения визуальных признаков NVIDIA на базе Vision Transformer, предназначенная для получения эмбеддингов изображений. Вариант SO400M содержит около 431 млн параметров; веса опубликованы в формате safetensors и доступны для работы через Transformers. Модель принимает RGB-изображения с разрешением до 2048×2028 пикселей с шагом 16 и возвращает глобальное представление изображения и пространственные признаки в виде тензоров. Эмбеддинги рассчитаны на использование в последующих моделях и приложениях: для классификации и отбора изображений, семантической сегментации, оценки глубины и интеграции с моделями «зрение — язык». При обучении использовались модели-учителя SigLIP2-g, DINOv3-7B и SAM3; в карточке также приведены результаты оценки на ImageNet и данные об обучении на NV-CC-Img-Text-Dataset. Для ускорения NVIDIA рекомендует GPU, хотя конкретная производительность зависит от оборудования и сценария. Модель ориентирована на извлечение признаков, а не на самостоятельную классификацию или генерацию ответов: для прикладного результата требуется последующая модель. NVIDIA указывает готовность к коммерческому и некоммерческому использованию при соблюдении NVIDIA Open Model License Agreement.

CSATv2 21M — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman и обучил с помощью timm на ImageNet-1k. Чекпойнт содержит около 20,7 млн параметров и рассчитан на входные изображения размером 640 × 640 пикселей. Модель можно применять для определения объектов и сцен на изображениях, извлечения карт признаков и получения эмбеддингов изображений. Она подходит как готовый классификатор ImageNet-1k и как визуальный энкодер для последующих задач машинного обучения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Это модель Deformable DETR с backbone ResNet-50 и уточнением ограничивающих рамок, разработанная авторами статьи Deformable DETR и опубликованная в репозитории SenseTime. Архитектура сочетает свёрточный backbone с энкодером и декодером Transformer; запросы объектов используются для предсказания классов и координат рамок. Модель обучена сквозным образом для обнаружения объектов на COCO 2017, содержащем 118 тысяч размеченных обучающих изображений. Модель предназначена для обнаружения объектов на изображениях и выдаёт классы объектов и ограничивающие рамки. Она использует 100 запросов объектов для обработки сцены. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Качество и охват классов связаны с обучением на COCO, поэтому модель может хуже работать на изображениях и категориях, отличающихся от этого набора данных. Карточка не сообщает оценок качества или дополнительных ограничений применения.

Deformable DETR — модель обнаружения объектов, представленная авторами статьи Zhu и соавторами и выпущенная в репозитории SenseTime. Она обучена на COCO 2017 и предназначена для поиска объектов на изображениях с определением их классов и ограничивающих рамок. Модель использует сверточную основу ResNet-50 и трансформерный энкодер-декодер. Вариант с уточнением рамок и двухэтапным поиском использует 100 объектных запросов для COCO; предсказания классов и рамок строятся по выходам декодера. Формат весов — PyTorch и safetensors. Модель подходит для анализа изображений и подсчета объектов из набора классов COCO. Она обучена на COCO 2017, поэтому качество на других предметных областях и категориях может отличаться. Лицензия — Apache-2.0.

deit3_small_patch16_384.fb_in22k_ft_in1k — модель классификации изображений из семейства DeiT-III, опубликованная авторами статьи DeiT III: Revenge of the ViT. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 22,2 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений по категориям и может использоваться как визуальная основа для извлечения эмбеддингов. Репозиторий предоставляет веса в форматах PyTorch и safetensors и поддерживает работу через timm. Лицензия — Apache-2.0. Карточка не приводит сведений о специальных ограничениях качества или целевых областях применения.

zeromodels публикует конверсию модели facebook/dinov3-vits16-pretrain-lvd1689m в формате Keras 3. Это визуальный энкодер DINOv3 на архитектуре ViT-S/16, обученный на наборе LVD-1689M с самоконтролем. Модель возвращает признаки изображений для последующего использования в задачах компьютерного зрения, а варианты ViT также предоставляют register-токены. Модель предназначена для извлечения визуальных признаков, которые можно передавать в отдельные классификаторы и другие downstream-компоненты для классификации, поиска и анализа изображений. Реализация работает с бэкендами TensorFlow, PyTorch и JAX через Keras 3; это базовый энкодер без специализированной головы задачи. Лицензия указана как лицензия DINOv3; исходные веса Facebook доступны на условиях этой лицензии.

EfficientViT-M3 — модель классификации изображений семейства EfficientViT, разработанная MSRA и обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображениям меток классов, а также может служить компактной визуальной основой для извлечения карт признаков и эмбеддингов. Модель содержит 6,9 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 0,3 GMAC. Архитектура использует каскадное групповое внимание. Модель распространяется в форматах PyTorch и safetensors и доступна по лицензии MIT.

EVA Giant — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Она содержит около 1,014 млрд параметров и рассчитана на входные изображения размером 560 × 560 пикселей. Модель предварительно обучали на объединённом наборе Merged-30M с masked image modeling, используя OpenAI CLIP-L как учителя, а затем дообучили на ImageNet-22k и ImageNet-1k. Модель подходит для классификации изображений и получения эмбеддингов как основы для других задач компьютерного зрения. В таблице README приведена точность top-1 89,792% и top-5 98,992% на ImageNet-1k. Карточка timm распространяет веса в формате float32; в README отмечено, что исходные чекпойнты в некоторых случаях доступны в float16 или bfloat16. Лицензия — MIT.

sd-dreambooth-library/fashion — модель генерации изображений по текстовому описанию для библиотеки DreamBooth. Карточка показывает использование StableDiffusionPipeline из библиотеки diffusers; репозиторий содержит модель в форматах Diffusers и PyTorch. В примере изображение создаётся по текстовому запросу. Модель предназначена для генерации изображений по промптам. Репозиторий опубликован под лицензией Apache-2.0. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или специальные ограничения применения.

hgnet_base.ssld_in1k — модель компьютерного зрения семейства HGNet (High Performance GPU Net), представленная авторами модели и доступная через библиотеку timm. Это модель классификации изображений и извлечения визуальных признаков; она обучалась на данных ImageNet-22k и ImageNet-1k с применением дистилляции SSLD. Веса содержат около 71,6 млн параметров. Для обучения использовался размер изображения 224 × 224, для тестирования — 288 × 288; модель подходит также для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для классификации объектов на изображениях и как визуальная основа в системах компьютерного зрения. В README приведены результаты ImageNet, включая Top-1 около 86,3% для вариантов HGNetv2 из сравнительной таблицы; это не следует считать гарантированной оценкой именно данного чекпойнта. Репозиторий предоставляет веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Модель работает с изображениями и не предназначена для обработки естественного языка.

Hiera Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами библиотеки timm. Это иерархический Vision Transformer с 213,7 млн параметров, предварительно обученный на ImageNet-1k методом Masked Autoencoder и затем дообученный для классификации на ImageNet-1k. Модель рассчитана на изображения размером 224 × 224 пикселя; в README приведена точность top-1 86,042% и top-5 97,648% на ImageNet-1k. Модель можно использовать для определения объектов на изображениях, извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт метки классов, а также визуальные признаки для downstream-задач. Для работы предусмотрена библиотека timm; веса доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

lambda_resnet50ts.a1h_in1k — модель классификации изображений и визуальный backbone из библиотеки timm, разработанный Россом Уайтманом и обученный на ImageNet-1k. Она основана на ResNet и использует блоки LambdaNet для моделирования дальних пространственных взаимодействий. Вариант реализован через гибкую архитектуру BYOBNet; конфигурация сокращает число блоков self-attention и не повторяет точную конфигурацию какой-либо одной статьи. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Она рассчитана на изображения размером 256 × 256 и содержит около 21,5 млн параметров. Обучение проведено с рецептом ResNet Strikes Back A1, оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с прогревом. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k; применение к другим наборам изображений может потребовать дополнительной проверки или адаптации.

LowFormer B0 — модель классификации изображений, разработанная авторами LowFormer и обученная на ImageNet-1k. Чекпойнт преобразован в формат state dict библиотеки timm и распространяется в формате safetensors по лицензии Apache 2.0. Архитектура сочетает свёрточные блоки MBConv и блок эффективного внимания, который уменьшает пространственное разрешение перед вычислением внимания и затем восстанавливает его. Модель содержит 14,1 млн параметров, рассчитана на изображения 224 × 224 и может также извлекать эмбеддинги изображений и многомасштабные карты признаков. Для ImageNet-1k указана точность Top-1 78,388% при разрешении 224 × 224 с предусмотренной предобработкой. Модель подходит для классификации изображений общего назначения и как компактный визуальный энкодер. Фактическая задержка зависит от оборудования, среды выполнения, способа экспорта и размера пакета; при bfloat16 модель B0 может заметно терять точность, тогда как FP16 соответствует результатам FP32 согласно карточке.