IV.1Ритейл, электронная коммерция и fashion-tech

stevenbucaille выпустил LW-DETR Tiny — компактную модель обнаружения объектов, основанную на Light-Weight Detection Transformer. Модель представлена в статье «LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection» и доступна в библиотеке Transformers; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель принимает изображения и определяет на них объекты, выдавая классы и рамки. Архитектура использует ViT-энкодер с чередованием оконного и глобального внимания, сверточный проектор и неглубокий трехслойный DETR-декодер с деформируемым cross-attention. Такая конструкция рассчитана на баланс скорости и точности для обнаружения объектов в реальном времени. Модель обучалась с предварительным обучением на Objects365 и финальной настройкой на COCO 2017. Карточка описывает общую архитектуру LW-DETR, но не приводит отдельные показатели качества или скорости именно для варианта Tiny.

LW-DETR XLarge — модель обнаружения объектов на изображениях, основанная на архитектуре Light-Weight Detection Transformer. Репозиторий опубликовал stevenbucaille; архитектура представлена Chen и соавторами в работе «LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection». Модель предназначена для обнаружения и локализации объектов с компромиссом между скоростью и точностью, в том числе для сценариев реального времени. Модель использует ViT-энкодер с чередованием оконного и глобального внимания, свёрточный проектор C2f и трёхслойный декодер DETR с деформируемым cross-attention. Для обучения применялись Objects365 и COCO 2017. В репозитории представлены веса Safetensors для библиотеки Transformers; лицензия — Apache-2.0. Карточка не сообщает размер модели и численные показатели качества именно этого чекпойнта.

Это модель MambaOut для классификации изображений и извлечения признаков, представленная в библиотеке timm. Версия с настройками архитектуры timm обучена Россом Уайтманом: предварительно на ImageNet-12k, затем дообучена на ImageNet-1k по рецепту на основе Swin и ConvNeXt. Модель содержит около 101,7 млн параметров и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для классификации изображений по категориям, извлечения карт признаков и получения эмбеддингов изображений. В карточке приведены результаты ImageNet-1k: точность top-1 составляет 86,912% при размере изображения 288 пикселей и 86,632% при 224 пикселях. Для использования доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

MambaVision-B-21K — модель классификации изображений из семейства MambaVision, разработанная NVIDIA. Это гибридный визуальный backbone с иерархической архитектурой: он сочетает Mamba с блоками self-attention на последних слоях, чтобы эффективно извлекать визуальные признаки и учитывать пространственные зависимости на большом расстоянии. Модель предварительно обучена на ImageNet-21K и дообучена на ImageNet-1K. Модель предназначена для классификации изображений и может использоваться как экстрактор признаков: доступны признаки четырёх стадий и финальное усреднённое представление. Репозиторий содержит веса в формате safetensors; для работы README рекомендует библиотеку mambavision. Метаданные указывают лицензию «other», но её конкретные условия здесь не раскрыты.

Mask2Former — модель компьютерного зрения от Meta, обученная для сегментации экземпляров на датасете COCO. Это версия большого размера с backbone Swin; архитектура Mask2Former предсказывает набор масок и соответствующих им меток классов. Общий подход модели также применим к семантической и паноптической сегментации, но этот чекпойнт предназначен для сегментации экземпляров. Модель использует многомасштабный декодер признаков с deformable attention и Transformer-декодер с masked attention. Она принимает изображения и выдаёт сегментационные маски с метками объектов. Репозиторий содержит веса PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

MaxViT-Base-TF-224 — модель классификации изображений семейства MaxViT, обученная авторами статьи на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Она предназначена для присвоения изображению метки из набора классов ImageNet-1k и может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Архитектура MaxViT сочетает блоки MBConv с оконным и grid-вниманием в каждом этапе. Модель содержит 119,5 млн параметров и рассчитана на изображения размером 224×224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

timm/mixnet_xl.ra_in1k — модель MixNet для классификации изображений, обученная разработчиками timm на ImageNet-1k с рецептом RandAugment. Архитектура использует смешанные глубинные свёртки; модель содержит 11,9 млн параметров, требует изображения размером 224 × 224 пикселя и выполняет около 0,9 GMAC на изображение. Модель предназначена для присвоения изображению класса из набора ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

MobileNetV4 Conv Medium — модель классификации изображений семейства MobileNetV4, обученная Россом Уайтманом на ImageNet-12k. Она предназначена для распознавания объектов на изображениях и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит 23,6 млн параметров, имеет вычислительную сложность 2,5 GMACs и рассчитана на входные изображения размером 384 × 384 пикселя. Репозиторий предоставляет веса PyTorch и safetensors и использует библиотеку timm. Лицензия — Apache-2.0. Модель ориентирована на визуальные задачи общего назначения. README не приводит отдельные показатели качества для этой версии; ограничения также связаны с обучением на ImageNet-12k и тем, что модель предназначена для изображений фиксированного размера, а не для понимания текста или других модальностей.

MobileNetV4 Conv Medium — сверточная модель классификации изображений из библиотеки timm, опубликованная Россом Уайтманом. Она предварительно обучена на ImageNet-12k, а затем дообучена на ImageNet-1k. Модель содержит около 9,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя; её также можно использовать как основу для извлечения признаков и получения эмбеддингов изображений. Модель подходит для классификации объектов на изображениях и как компактный визуальный бэкбон в приложениях для мобильных устройств. В карточке приведены показатели вычислительной сложности — 2,5 GMACs — и точности семейства, но точность именно этой конфигурации в доступном фрагменте таблицы не указана. Доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0.

MobileNetV4 Hybrid Medium — модель классификации изображений и извлечения признаков семейства MobileNetV4, опубликованная Россом Уайтманом в библиотеке timm. Она предварительно обучена на ImageNet-12k, затем дообучена на ImageNet-1k и подходит для распознавания объектов на изображениях, получения карт признаков и эмбеддингов для последующих задач компьютерного зрения. Модель содержит 11,1 млн параметров и требует около 1,3 GMAC на изображение. Указанный размер изображения при обучении — 256 × 256, при тестировании — 320 × 320. Репозиторий предоставляет веса PyTorch и safetensors. Модель ориентирована на эффективную классификацию изображений; показатели качества для этой конкретной версии в приведённой части таблицы не указаны. Лицензия — Apache-2.0. Карточка не описывает поддержку естественных языков: модель принимает изображения и выдаёт классы или признаки, а не текст.

Это модель классификации тональности текста на основе MuRIL, разработанная Priyanshu Chaturvedi и дообученная с помощью LoRA. Она определяет негативную, нейтральную или позитивную тональность в смешанных текстах на хинди и английском, а также бенгальском и английском. Модель основана на BERT-архитектуре MuRIL, содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов. Базовая MuRIL от Google предварительно обучена на 17 индийских языках. На тестовой выборке из 19 998 примеров автор сообщает accuracy 0,7127 и macro F1 0,7142; локальная задержка указана примерно как 5 мс. Эти результаты относятся к описанной тестовой выборке. Модель распространяется по лицензии Apache-2.0. Модель обучалась преимущественно на отзывах о товарах и услугах, поэтому её качество на других тематиках может быть ниже. Она не оценивалась на текстах только на хинди или только на английском; качество может меняться в зависимости от языковой пары.

Карточка модели Mydeskfor/owlv2-base-patch16-ensemble на Hugging Face совпадает с карточкой google/owlv2-base-patch16-ensemble, поэтому описание составлено по ней. OWLv2 — модель компьютерного зрения для обнаружения объектов по текстовым запросам, разработанная Google и описанная в работе «Scaling Open-Vocabulary Object Detection». Она принимает изображение и один или несколько текстовых запросов, после чего находит соответствующие объекты и предсказывает их рамки. Архитектура сочетает мультимодальную основу CLIP с визуальным энкодером ViT-B/16, текстовым Transformer-энкодером и лёгкими головами классификации и предсказания рамок. Модель предназначена для zero-shot обнаружения объектов, в том числе классов, не заданных фиксированным списком меток при обучении. Это позволяет искать на изображениях объекты по произвольным текстовым описаниям и исследовать обобщение и устойчивость систем компьютерного зрения. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Обучающие данные включали публичные пары изображений и подписей, а также наборы для обнаружения объектов, включая COCO и OpenImages; значительная часть данных получена из интернет-источников. Поэтому качество и поведение модели могут зависеть от представительности этих данных, а предсказания следует проверять в конкретном сценарии применения.

PNASNet-5 Large — сверточная модель для классификации изображений и извлечения визуальных признаков. Авторы статьи Progressive Neural Architecture Search обучили её на ImageNet-1k; вариант перенесён из TensorFlow в PyTorch через pretrained-models.pytorch от Cadene. Модель содержит около 86,1 млн параметров, имеет вычислительную сложность 25 GMACs и рассчитана на изображения размером 331 × 331 пиксель. Модель подходит для определения объектов и категорий на изображениях, получения карт признаков и визуальных эмбеддингов. Репозиторий предоставляет веса в форматах PyTorch и safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0. Карточка не сообщает о специальных ограничениях применения.

PoolFormerV2-S12 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer. Она обучена авторами статьи на ImageNet-1k и предназначена для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов. Модель содержит 11,9 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 1,8 GMACs. Репозиторий предоставляет веса PyTorch и SafeTensors; использовать модель можно через библиотеку timm. Лицензия Apache-2.0.

RegNetX-8GF — свёрточная модель классификации изображений и извлечения признаков, предоставленная в библиотеке timm. Версия regnetx_080.tv2_in1k предварительно обучена на ImageNet-1k участниками проекта torchvision. В модели около 39,6 млн параметров; указанный для карточки размер изображения — 224 × 224 пикселя, вычислительная сложность — 8,0 GMACs. Модель предназначена для определения категорий объектов на изображениях, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу для классификации изображений и как визуальный backbone в прикладных системах компьютерного зрения. Реализация timm включает стохастическую глубину, градиентный чекпойнтинг и настройку выходного шага, активаций и нормализации. Модель принимает изображения и выдаёт классы или признаки, в зависимости от выбранного способа использования. Карточка не описывает поддержку естественных языков. Распространяется по лицензии BSD 3-Clause.

ResNet-S — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Архитектура использует активации ReLU, трёхслойный начальный блок из свёрток 3×3 с увеличенной шириной и пулингом, а также обходные соединения с понижающей выборку свёрткой 1×1. Модель содержит 60,3 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для определения классов на изображениях и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не сообщает метрики качества именно этой модели.

resnet200d.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она основана на архитектуре ResNet-D и содержит 64,7 млн параметров. Вариант ResNet-D использует трехслойный стем из сверток 3×3 с пулингом и сокращающие соединения с усредняющим пулингом 2×2 и сверткой 1×1; применяются активации ReLU. Для обучения использована схема аугментации RandAugment RA2, оптимизатор RMSProp, усреднение весов EMA и ступенчатое экспоненциальное уменьшение скорости обучения с разогревом. Модель предназначена для отнесения изображений к классам, а также может служить основой для извлечения карт признаков и эмбеддингов изображений. Указанный размер входа при обучении — 256×256, при тестировании — 320×320 пикселей. Данные описывают обучение на ImageNet-1k; лицензия репозитория — Apache-2.0.

ResNet-D от timm — сверточная модель классификации изображений, обученная на ImageNet-1k по рецептам Bag of Tricks с использованием Apache Gluon. Архитектура включает трёхслойный stem из свёрток 3×3 с pooling, активации ReLU и shortcut downsample с усреднением 2×2 и свёрткой 1×1. Модель содержит 25,6 млн параметров, рассчитана на изображения 224×224 и выполняет классификацию, а также может использоваться как backbone для извлечения признаков и эмбеддингов. Модель принимает изображения и выдаёт метки классов; также её можно применять для получения признаковых карт и векторных представлений. Она предназначена для задач общего распознавания объектов и сцен на изображениях. Распространяется под лицензией Apache-2.0.

ResNet50.d_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back D. Архитектура использует блоки ResNet с активациями ReLU, начальную свертку 7×7 с пулингом и свертки 1×1 в обходных соединениях. Модель содержит 25,6 млн параметров и предназначена также для использования в качестве основы для извлечения признаковых карт и эмбеддингов изображений. Модель классифицирует изображения общего назначения; при обучении использовался размер 224×224, при тестировании — 288×288. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

timm/resnetblur50.bt_in1k — сверточная модель ResNet-B с треугольным размытием при понижении разрешения (Triangle-3 Blur Pooling), предназначенная для классификации изображений и использования в качестве основы для извлечения признаков. Модель разработана в экосистеме timm и обучена на ImageNet-1k по рецепту Bag-of-Tricks с оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения с разогревом. Архитектура включает активации ReLU, начальную свёртку 7×7 с пулингом и обходные соединения с проекцией 1×1. В модели 25,6 млн параметров; для обучения использовались изображения 224×224, для оценки — 288×288. Размытие при уменьшении разрешения предназначено для повышения сдвиговой инвариантности свёрточной сети. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги в зависимости от используемого интерфейса. Лицензия — Apache-2.0.

ResNetV2-101x1-BiT — сверточная модель классификации изображений из библиотеки timm, основанная на архитектуре ResNet-V2 с предварительной активацией. Авторы статьи Big Transfer предварительно обучили её на ImageNet-21k, а затем дообучили на ImageNet-1k. В модели около 44,5 млн параметров; указан размер изображения 448 × 448 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Вместо Batch Normalization применяются Group Normalization и Weight Standardization. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

ResNetV2-101x3 BiT — сверточная модель семейства ResNet-V2-BiT для классификации изображений и извлечения визуальных признаков. Модель обучена авторами статьи Big Transfer на ImageNet-21k и распространяется в репозитории timm. В модели около 516 млн параметров; для классификации используется размер изображения 224 × 224. Вместо Batch Normalization применяются Group Normalization и Weight Standardization. Модель также подходит как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Обучение на ImageNet-21k задаёт основное назначение модели; README не описывает языковую обработку или иные модальности.

ResNeXt-101 32x16d — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её распространяет библиотека timm; авторы исходной работы предварительно обучили модель на наборе хештегов Instagram-1B методом полу-слабого обучения, а затем дообучили на ImageNet-1k. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в блоках bottleneck и свёрточные короткие связи 1×1. Модель содержит около 194 млн параметров и рассчитана на изображения размером 224×224. Её можно использовать для предсказания классов ImageNet-1k, получения карт признаков и эмбеддингов изображений. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель ориентирована на классификацию изображений ImageNet-1k; качество на других наборах данных может отличаться.

ResNeXt-101 32x8d — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Она содержит 88,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует остаточные связи, групповые свёртки 3 × 3 в bottleneck-блоках и свёртку 7 × 7 на входе. Модель предварительно обучена на датасете хештегов Instagram-1B методом полу-слабого обучения и затем дообучена авторами работ на ImageNet-1k. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Для загрузки и использования 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. Модель предназначена для классификации изображений общего назначения; её качество зависит от соответствия изображений обучающим данным, а входной размер указан как 224 × 224 пикселя.

Roboflow/rf-detr-seg-small — компактная модель семейства RF-DETR для сегментации отдельных объектов на изображениях. RF-DETR разработана Roboflow и представлена в работе Robinson и соавторов; модель доступна для Transformers. Архитектура сочетает визуальный трансформерный backbone в стиле DINOv2 с регистрами, чередование оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой сегментации. Модель предназначена для обнаружения объектов и предсказания отдельной маски, рамки и оценки класса для каждого экземпляра. Чекпойнт обучен на COCO 2017 для 80 категорий объектов, поэтому подходит для сценариев компьютерного зрения, где требуется локализовать и сегментировать объекты этих классов. Репозиторий содержит веса Safetensors. Модель принимает изображения и выдаёт маски объектов, рамки и оценки классов. Метаданные указывают лицензию Apache-2.0. Её обучение на фиксированном наборе из 80 категорий ограничивает применимость к объектам вне этого набора без дополнительного обучения или адаптации.

Diary14 разработала адаптер LoRA для RoBERTa-base, предназначенный для бинарной классификации тональности английского текста. Модель использует архитектуру RoBERTa для классификации последовательностей; общий размер указан как 151,8 млн параметров, длина контекста — 514 токенов. Она выдаёт метку POSITIVE или NEGATIVE и может применяться без дополнительного дообучения, например, для анализа отзывов о товарах. Лицензия — MIT. Карточка не сообщает, на каких данных обучалась модель и каковы результаты её оценки. Поэтому её качество на текстах вне сценария отзывов и устойчивость к смещению данных не установлены.

PekingU/rtdetr_r101vd — модель обнаружения объектов на изображениях на основе RT-DETR, разработанная Яном Чжао и Санбумом Чоем и опубликованная под лицензией Apache-2.0. Она предназначена для сквозного обнаружения объектов в реальном времени: модель предсказывает классы объектов и ограничивающие рамки без этапа NMS. Архитектура сочетает гибридный энкодер для обработки многомасштабных признаков, выбор начальных запросов с минимальной неопределённостью и Transformer-декодер. Вариант R101 использует backbone ResNet-101; в карточке семейства приведены результаты RT-DETR-R101 на COCO, но точные показатели этого репозитория отдельно не указаны. Модель обучена для обнаружения объектов на COCO 2017. Для входных изображений описана предварительная обработка с изменением размера до 640×640 и нормализацией по средним значениям и стандартным отклонениям ImageNet. RT-DETR позволяет менять число слоёв декодера для настройки скорости без повторного обучения. Модель принимает изображения и выдаёт классы объектов и их рамки; заявленная область применения — визуальное обнаружение объектов общего назначения.

jadechoghari/RT-DETRv2 — реализация модели RT-DETRv2-S для библиотеки Transformers, предназначенная для обнаружения объектов на изображениях. Модель использует архитектуру RT-DETR — детектор на основе трансформера, развивающий RT-DETR за счёт улучшенной стратегии обучения и настроек извлечения признаков на нескольких масштабах с помощью deformable attention. Модель принимает изображение и выдаёт обнаруженные объекты с метками классов, оценками уверенности и координатами ограничивающих рамок. Её можно применять для анализа изображений и построения конвейеров компьютерного зрения, которым требуется обнаружение объектов. README демонстрирует загрузку модели и процессор изображений через Transformers. В README не указаны набор классов, показатели качества или условия лицензии, поэтому их нельзя оценить по доступным сведениям.

Карточка модели MIUProject/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.

Segment Anything Model (SAM) ViT-B — модель сегментации изображений, разработанная Meta AI и опубликованная в рамках проекта Segment Anything. Она выделяет объекты по подсказкам в виде точек, ограничивающих рамок или масок, а также может автоматически генерировать маски для объектов на изображении без предварительной настройки под конкретный набор классов. Модель состоит из визуального ViT-энкодера, энкодера подсказок и трансформерного декодера масок. Обучение проводилось на наборе из 11 млн изображений и 1,1 млрд масок; модель демонстрирует перенос на новые распределения изображений в режиме zero-shot. Входом служит изображение с визуальными подсказками либо изображение для автоматической генерации масок, результатом — маски сегментации. Текстовые подсказки официальной реализацией не поддерживаются. Модель подходит для интерактивной разметки изображений, подготовки масок для обучающих данных и автоматической сегментации объектов. Репозиторий предоставляет веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0.