IV.1Ритейл, электронная коммерция и fashion-tech

Deformable DETR — модель обнаружения объектов, разработанная командой SenseTime и представленная в работе Zhu et al. Она обучена на COCO 2017 и предназначена для выявления и локализации объектов на изображениях. Модель использует архитектуру encoder-decoder Transformer с backbone ResNet-50. На выходе она предсказывает классы объектов и ограничивающие рамки; для поиска объектов применяются 100 object queries. Обучение выполнено сквозным образом с сопоставлением предсказаний и разметки венгерским алгоритмом. Модель подходит для распознавания объектов на изображениях в сценариях компьютерного зрения, особенно для категорий, представленных в COCO. Карточка не приводит оценок качества или сведений о поведении на данных вне обучающего набора. Лицензия — Apache-2.0.

DeiT-III Huge Patch14 224 — модель классификации изображений и извлечения признаков из семейства Vision Transformer, обученная авторами статьи на ImageNet-1k. Она предназначена для отнесения изображений к классам и получения векторных представлений изображений. Модель содержит около 632,1 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и распространяется в форматах PyTorch и Safetensors. Модель подойдёт для классификации изображений из набора классов ImageNet-1k, построения эмбеддингов изображений и использования в качестве визуальной основы для прикладных систем. Репозиторий timm предоставляет реализацию для работы с моделью. Лицензия — Apache-2.0.

Это модель DeiT-III Large для классификации изображений, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Её также можно использовать как визуальную основу для извлечения признаков и эмбеддингов изображений. Модель основана на архитектуре Vision Transformer (ViT), содержит около 304,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Основной сценарий — отнесение изображения к одному из классов ImageNet-1k; полученные признаки подходят для построения систем поиска и анализа изображений. Весы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k; качество на других наборах данных и вне стандартного разрешения может отличаться.

DeiT-Base Distilled Patch16 384 — модель классификации изображений семейства DeiT, размещённая в библиотеке timm. Согласно карточке, её авторы обучили модель на ImageNet-1k с использованием токенов дистилляции. Модель содержит 87,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения эмбеддингов. Её можно применять для определения объектов и сцен на изображениях, а также как основу для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0.

Карточка модели Zappandy/dukaan-saathi-receipt-lora на Hugging Face совпадает с карточкой summerdevlin46/dukaan-saathi-receipt-lora, поэтому описание составлено по ней. Dukaan Saathi Receipt Parser — дообученная на базе Llama-3.2-3B-Instruct модель, созданная для разбора чеков и накладных в индийских магазинах kirana; она входит в демонстрационный проект помощника по учёту запасов Dukaan Saathi. Модель принимает распознанный OCR-текст поставщицких документов и формирует структурированный JSON со строками товаров, количеством, ценами и сведениями о поставщике. Она рассчитана на шумный текст из рукописных счетов, печатных налоговых накладных и неформальных записей. Обучение ориентировано на единообразие формата: использованы 28 примеров, из них 6 составлены вручную по реальным форматам kirana, а 22 синтетических примера добавлены для редких случаев. В метаданных указаны архитектура LlamaForCausalLM, 3,2 млрд параметров, контекст до 131 072 токенов, английский и телугу, формат safetensors и лицензия MIT. Малый объём обучения ограничивает обобщение: модель склонна переобучаться на знакомые шаблоны чеков и не предназначена для универсального разбора чеков. Перед записью любых изменений в учёт запасов требуется подтверждение владельца.

ECA-ResNet-T — сверточная модель классификации изображений из библиотеки timm с механизмом Efficient Channel Attention. Она разработана для распознавания объектов на изображениях и может использоваться как основа для извлечения признаков и построения эмбеддингов. Модель содержит 16 млн параметров и требует около 3,4 GMACs; для обучения использовались изображения 256×256, для оценки — 320×320 пикселей. Она обучена на ImageNet-1k с рецептом RandAugment RA2 и опубликована в форматах PyTorch и safetensors. Модель предназначена для классификации изображений общего назначения, а также для получения признаковых карт и эмбеддингов в компьютерном зрении. В README приведено сравнение результатов моделей, но конкретные метрики этой модели в доступном фрагменте отсутствуют. Лицензия — Apache-2.0.

EfficientFormer L7 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она реализована на PyTorch и распространяется через timm; веса предварительно обучены с дистилляцией на ImageNet-1k. Модель содержит около 82,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображениям классов ImageNet-1k, а также для получения эмбеддингов изображений и использования в качестве визуального backbone. В карточке для неё приведены результаты ImageNet-1k: точность top-1 83,368% и top-5 96,534%. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

EfficientViT L3 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанная авторами работы EfficientViT и обученная на ImageNet-1k. Она предназначена для присвоения изображениям классов, извлечения карт признаков и получения эмбеддингов изображений для последующих задач компьютерного зрения. Модель содержит около 246 млн параметров и рассчитана на входные изображения размером 320 × 320 пикселей. Веса доступны в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

EGM-8B — мультимодальная модель семейства Efficient Visual Grounding Language Models, разработанная NVIDIA на базе Qwen3-VL-8B-Thinking. Она предназначена прежде всего для визуального поиска объектов по текстовым описаниям: модель анализирует изображение и связывает выражение с нужной областью. Модель дообучена в два этапа — с помощью supervised fine-tuning и reinforcement learning с GRPO. Модель использует архитектуру Qwen3VLForConditionalGeneration и принимает изображения вместе с текстовыми запросами, выдавая текстовый ответ с визуальной привязкой. В RefCOCO карточка сообщает средний IoU 91,4; результат выше показателя базовой модели и приведённых крупных моделей Qwen3-VL. Лицензия — Apache-2.0. Заявленные результаты относятся к бенчмарку RefCOCO; карточка не описывает качество на других задачах и наборах данных.

EVA-02 Large Patch14 448 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Авторы предварительно обучили её на объединённом наборе Merged-38M с masked image modeling, используя EVA-CLIP как учителя, а затем дообучили на ImageNet-22k. В состав Merged-38M входят ImageNet-22K, CC12M, CC3M, обучающие части COCO и ADE20K, Object365 и OpenImages. Это Vision Transformer с размером изображения 448 × 448 и примерно 326,4 млн параметров. Архитектура использует mean pooling, SwiGLU, Rotary Position Embeddings и дополнительный LayerNorm в MLP. Модель подходит для классификации изображений и как визуальный backbone или источник эмбеддингов в компьютерном зрении. Репозиторий содержит веса PyTorch в формате safetensors; чекпойнты timm сохранены в float32. Лицензия — MIT. Карточка приводит результаты на ImageNet, но не описывает ограничения по качеству или условия эксплуатации за пределами лицензии.

Fashion-Mnist-SigLIP2 — модель классификации изображений, разработанная prithivMLmods и дообученная на базе визуально-языкового энкодера google/siglip2-base-patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение одежды или обуви к одному из 10 классов Fashion-MNIST: футболка или топ, брюки, пуловер, платье, пальто, сандалии, рубашка, кроссовки, сумка и ботинки. Модель предназначена для распознавания категорий одежды в каталогах интернет-магазинов, сортировки товарных изображений и учебных экспериментов с классификацией изображений. Принимает изображения и выдаёт метку класса. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

FlexiViT Base 1200ep IN1K — модель классификации изображений семейства Vision Transformer. Её обучили авторы FlexiViT на ImageNet-1k в JAX, а Ross Wightman перенёс веса в PyTorch. В репозитории доступны веса PyTorch и SafeTensors под лицензией Apache-2.0. Модель содержит около 86,6 млн параметров и рассчитана на входные изображения размером 240 × 240 пикселей. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. FlexiViT исследует применение одной модели с разными размерами патчей; карточка не описывает поддержку других модальностей или языков.

Dima806 дообучил модель Google ViT Base Patch16 224 In21k для классификации изображений фруктов и овощей. Это Vision Transformer с 113,2 млн параметров, предназначенный для определения класса объекта на изображении. Модель принимает изображения и выдаёт метки классов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Карточка не содержит сведений о наборе классов или качестве распознавания, поэтому их нельзя оценить по доступным данным.

HaloNet26t.a1h_in1k — модель Ross Wightman из библиотеки timm для классификации изображений и извлечения визуальных признаков. Она обучена на ImageNet-1k по рецепту A1 из ResNet Strikes Back с изменёнными настройками регуляризации и аугментации; конфигурация не повторяет в точности конкретную научную работу. Модель использует архитектуру HaloNet на основе ResNet-подобного BYOBNet с блоками пространственного внимания. В ней 12,5 млн параметров, вычислительная сложность составляет 3,2 GMAC, рекомендуемый размер входного изображения — 256 × 256 пикселей. Помимо предсказания классов, модель подходит для извлечения карт признаков и эмбеддингов изображений. Модель принимает изображения и выдаёт классовые предсказания или визуальные признаки. Она обучена на ImageNet-1k; поддерживаемые языки не применимы к её основным задачам. Распространяется по лицензии Apache-2.0.

facebook/hiera-base-224-in1k-hf — модель классификации изображений на архитектуре Hiera, разработанной Meta. Это иерархический vision transformer, дообученный на ImageNet-1K; чекпойнт предназначен прежде всего для определения объектов и сцен на изображениях. В README также указаны извлечение признаков и masked image modeling как возможные сценарии семейства Hiera. Модель содержит около 33 млн параметров и распространяется в формате safetensors для библиотеки Transformers. README характеризует Hiera как простую и эффективную архитектуру, обучаемую с использованием MAE; заявлены задачи распознавания изображений и видео для семейства, однако этот чекпойнт предназначен для классификации изображений. Лицензия — CC BY-NC 4.0, допускающая использование с обязательной атрибуцией и ограничивающая коммерческое применение.

facebook/hiera-huge-224-hf — версия иерархического vision transformer Hiera от Meta, представленная в библиотеке Transformers. Модель содержит 234,9 млн параметров, принимает изображения размером 224 пикселя и предназначена для извлечения признаков; в карточке также указано обучение на ImageNet-1K. Архитектура распределяет разрешение и число признаков по уровням, что, согласно описанию Hiera, помогает сохранять высокую эффективность при распознавании изображений и видео. Полученные признаки можно использовать как вход для классификатора или других задач компьютерного зрения. В README также перечислены классификация изображений и masked image modeling как возможные применения семейства Hiera, но назначение именно этого чекпойнта — извлечение признаков. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

hiera_small_abswin_256.sbb2_pd_e200_in12k_ft_in1k — модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная Ross Wightman в библиотеке timm. Она содержит 34,4 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k по рецепту из работы «Searching for better ViT baselines». В обучении применялся patch dropout с масками Hiera. Модель предназначена для определения классов объектов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Вариант поддерживает масштабируемые позиционные эмбеддинги abs-win; обучение с patch dropout призвано улучшить их обобщение на другие разрешения. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

HRNet-W18 — модель классификации изображений и извлечения визуальных признаков из семейства High-Resolution Network, опубликованная авторами исследования и обученная на ImageNet-1k. Она предназначена для определения объектов на изображении, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 21,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 4,3 GMACs. Модель доступна через библиотеку timm в форматах PyTorch и Safetensors. Она подходит для классификации изображений общего назначения и как визуальная основа для последующих задач компьютерного зрения. Лицензия — MIT.

hrnet_w18_ssld.paddle_in1k — модель классификации изображений из семейства HRNet, представленная в библиотеке timm. Она обучена с дистилляцией SSLD на ImageNet-1k и предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальный backbone для получения признаковых представлений. Модель содержит 21,3 млн параметров; указан размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Модель принимает изображения и выдаёт метки классов или признаки изображений. Веса доступны в формате PyTorch/SafeTensors, лицензия — MIT. Карточка не описывает поддержку конкретных естественных языков; ограничения по качеству и применению не приведены.

LeViT-256 — модель компьютерного зрения семейства LeViT, представленная в работе «LeViT: a Vision Transformer in ConvNet’s Clothing for Faster Inference» авторов Graham и соавторов. Это вариант LeViT, предварительно обученный на ImageNet-1k для классификации изображений с разрешением 224×224 пикселя; модель выдаёт оценку принадлежности изображения к одному из 1000 классов ImageNet. Модель предназначена для классификации изображений, например фотографий и изображений из наборов данных. Архитектура сочетает идеи Vision Transformer и сверточных сетей; веса доступны в формате PyTorch. Репозиторий распространяется по лицензии Apache-2.0. В карточке нет сведений о поддержке текста или других модальностей.

LowFormer E2 — модель классификации изображений и извлечения визуальных признаков, разработанная авторами LowFormer и обученная на ImageNet-1k. Чекпойнт преобразован в формат state-dict библиотеки timm. Вариант E2 рассчитан на edge GPU: его архитектура использует сверточные блоки и не включает ветви attention и MLP. Модель содержит 22,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации объектов на изображениях, получения эмбеддингов и извлечения многомасштабных карт признаков. Для предобработки используются бикубическое изменение размера, центральное кадрирование с crop_pct=0.95 и среднее со стандартным отклонением ImageNet. На ImageNet-1k при разрешении 224 пикселя варианты семейства LowFormer показывают точность Top-1 от 78,388% до 81,102%; эти результаты не относятся однозначно к E2, поскольку соответствующая строка таблицы не приведена. Скорость зависит от оборудования, среды вывода, способа экспорта и размера пакета. Для всех вариантов семейства FP16 autocast соответствует FP32, но данные отдельно для E2 не приведены. Лицензия — Apache 2.0.

LW-DETR Tiny — компактная модель обнаружения объектов на изображениях из семейства Light-Weight Detection Transformer. Архитектура сочетает Vision Transformer с чередованием оконного и глобального внимания, свёрточный блок-проектор и неглубокий декодер DETR с деформируемым cross-attention. Модель представлена в формате Safetensors и доступна для использования через Transformers. Модель предназначена для обнаружения и локализации объектов с балансом скорости и точности, в том числе в сценариях реального времени. В описании указаны предварительное обучение на Objects365 и заключительное обучение на COCO 2017; конкретные размеры, число классов и показатели качества для этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0.

MambaVision-L-1K — модель компьютерного зрения, разработанная NVIDIA. Это вариант семейства MambaVision с гибридной иерархической архитектурой, сочетающей Mamba-блоки и блоки self-attention на поздних слоях, чтобы эффективно учитывать дальние пространственные зависимости. Модель предназначена для классификации изображений; также её можно использовать как экстрактор признаков, получая представления с четырёх этапов сети и итоговые признаки после усреднённого пулинга. Карточка заявляет высокую точность Top-1 и пропускную способность относительно компромиссной границы этих показателей. В качестве набора данных указан ImageNet-1K; пример в README демонстрирует классификацию изображения с меткой «бурый медведь». Доступны веса в формате safetensors и использование через Transformers. Лицензия указана как other, поэтому перед применением следует проверить условия лицензирования репозитория.

MambaVision-L-21K — модель компьютерного зрения от NVIDIA, представляющая собой иерархический гибридный backbone Mamba и Transformer. Она предварительно обучена на ImageNet-21K и дообучена на ImageNet-1K; репозиторий содержит веса в формате safetensors и поддерживает библиотеку Transformers. Основной сценарий — классификация изображений. Модель также можно применять как извлекатель признаков: README описывает получение представлений с четырёх этапов архитектуры и итоговых признаков после усредняющего пулинга. Гибридная архитектура сочетает эффективное моделирование визуальных признаков с self-attention в последних слоях для учёта дальних пространственных зависимостей. Модель принимает изображения и выдаёт классовые предсказания либо векторные признаки. README отмечает применение MambaVision как backbone в задачах обнаружения объектов и сегментации, но основная задача этого чекпойнта в метаданных — классификация изображений. Лицензия указана как other; конкретные условия использования следует сверять с лицензией репозитория.

nvidia/MambaVision-L2-1K — модель компьютерного зрения от NVIDIA для классификации изображений. Это вариант семейства MambaVision с иерархической гибридной архитектурой, сочетающей блоки Mamba и self-attention Transformer; в каталоге указана реализация MambaVisionModelForImageClassification. Модель обучалась для классификации по ImageNet-1K и может также использоваться как экстрактор признаков: она выдаёт признаки четырёх стадий и усреднённое представление изображения. Модель предназначена для распознавания объектов на изображениях и извлечения визуальных признаков для последующих задач компьютерного зрения. В README заявлено сочетание высокой точности Top-1 и пропускной способности, однако численные показатели для этого варианта не приведены. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия лицензирования в предоставленных данных не раскрыты.

MambaVision-L3-512-21K — модель компьютерного зрения семейства MambaVision, разработанная NVIDIA. Это гибридная иерархическая архитектура, сочетающая Mamba и блоки self-attention из Transformer; модель предназначена для классификации изображений и извлечения визуальных признаков. Она предварительно обучена на ImageNet-21K и дообучена на ImageNet-1K с разрешением 512 × 512. Модель подходит для присвоения изображению метки класса и получения признаков с четырёх стадий архитектуры или после усреднённого pooling. В карточке заявлены высокая точность и пропускная способность, но численные результаты таблицы недоступны в предоставленном тексте. Для использования авторы рекомендуют пакет mambavision и PyTorch. Лицензия указана как other; конкретные условия в доступной карточке не раскрыты.

Mask2Former — модель компьютерного зрения, разработанная авторами архитектуры Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Эта версия с backbone Swin Base, предварительно обученным на ImageNet-21k, дообучена на COCO для сегментации экземпляров объектов на изображениях. Модель предсказывает маски и соответствующие им классы; архитектура также предназначена для семантической и паноптической сегментации, однако этот чекпойнт указан для сегментации экземпляров. В архитектуре используются многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention. Модель подходит для выделения отдельных объектов и присвоения им классов на изображениях. В метаданных указаны формат PyTorch и лицензия other. Языковые возможности не являются основным назначением модели.

Это модель классификации изображений семейства MaxViT, опубликованная Ross Wightman в составе библиотеки timm. Она сочетает блоки свёртки MBConv с оконным и сеточным механизмами self-attention; в этой конфигурации используется MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Модель рассчитана на классификацию изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Рекомендуемый размер входного изображения — 384 × 384 пикселя. Веса содержат около 116,1 млн параметров; вычислительная сложность указана как 71 GMAC. В README приведены результаты ImageNet-бенчмарков для вариантов семейства MaxViT, но отдельные показатели этой конфигурации в доступном фрагменте не приведены. Репозиторий распространяется по лицензии Apache-2.0. Модель предназначена для классификации изображений общего назначения; её качество зависит от соответствия входных изображений обучающим данным ImageNet, и карточка не заявляет специализированную точность для отдельных предметных областей.

Minc-Materials-23 — модель классификации изображений материалов, разработанная PrithivMLmods на основе google/siglip2-base-patch16-224 и дообученная с архитектурой SiglipForImageClassification. Она относит изображение к одному из 23 классов, включая кирпич, ткань, стекло, кожу, металл, камень, пластик, воду и дерево. Модель предназначена для распознавания материалов на фотографиях в задачах строительства и архитектуры, розничной торговли и учёта товаров, робототехники, экологического мониторинга, обучения и исследований. Использует визуальные признаки изображения; репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. Лицензия — Apache-2.0. Классификация ограничена заданными 23 категориями, поэтому неизвестные или неоднозначные материалы могут получать общий класс «other» либо ошибочную метку; качество для конкретных сценариев README не характеризует.

MobileViT-v2 150 — модель классификации изображений и извлечения визуальных признаков из семейства MobileViT-v2, опубликованная авторами статьи и обученная на ImageNet-1k. Вариант содержит около 10,6 млн параметров; для классификации использует изображения размером 256 × 256. Модель доступна в форматах PyTorch и Safetensors и предназначена для работы через библиотеку timm. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Компактная архитектура MobileViT-v2 ориентирована на задачи мобильного компьютерного зрения. Обучение на ImageNet-1k определяет область распознавания объектов в рамках этого набора классов; точные условия лицензии в карточке не раскрыты, указана категория other.