IV.1Ритейл, электронная коммерция и fashion-tech

naflexivitb16apc1siglip-v2-webli — визуальный энкодер на основе NaFlex ViT-B/16 из семейства SigLIP 2, опубликованный birder-project. Модель дообучена на базе google/siglip2-base-patch16-naflex и предназначена для извлечения признаков изображений; карточка также описывает её как backbone для классификации изображений и обнаружения объектов. Веса и архитектура сохранены для последующего применения в других задачах. Модель содержит 92,9 млн параметров и принимает изображения размером 256 × 256. Она выдаёт эмбеддинги изображений и карты признаков для обнаружения объектов. Репозиторий использует формат PyTorch и библиотеку Birder. Лицензия — Apache-2.0. Карточка не сообщает о поддержке обработки текста или о конкретных ограничениях качества.

Next-ViT Base — модель компьютерного зрения для классификации изображений, обученная авторами статьи Next-ViT на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 44,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для определения объектов и сцен на изображениях и может служить основой для дальнейших задач компьютерного зрения. В карточке приведены результаты классификации на ImageNet-1k и примеры извлечения признаков. Репозиторий содержит веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Языковые возможности не применимы к классификации изображений.

timm/nextvit_large.bd_in1k — модель классификации изображений на основе архитектуры Next-ViT, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображениям меток классов и может использоваться как визуальный backbone для извлечения признаков, карт признаков и эмбеддингов. Модель содержит около 57,9 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует примерно 10,7 GMACs на проход. В карточке также приведены результаты классификации для вариантов Next-ViT, включая версию large с обучением на разрешении 384 пикселя. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0.

nfnet_l0.ra2_in1k — модель классификации изображений семейства Lightweight NFNet, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Архитектура основана на предварительно активируемых блоках, похожих на ResNet, и не использует слои нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты усиления в остаточных связях и около нелинейностей. Вариант Lightweight NFNet использует уменьшенные коэффициенты SE и узких мест, меньший размер групп и активацию SiLU. Модель предназначена для классификации изображений и может использоваться как основа для извлечения признаков и эмбеддингов изображений. Она содержит около 35,1 млн параметров, выполняет 4,4 GMAC и рассчитана на изображения 224×224 при обучении и 288×288 при тестировании. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0.

OWL-ViT — модель компьютерного зрения для обнаружения объектов по текстовым запросам, разработанная авторами работы Simple Open-Vocabulary Object Detection with Vision Transformers. Она принимает изображение и один или несколько текстовых запросов, затем находит соответствующие объекты и предсказывает их рамки. Модель подходит для обнаружения объектов, названия которых не были заданы фиксированным набором классов при обучении, а также для исследований обобщения и устойчивости систем компьютерного зрения. В основе лежит CLIP с визуальным энкодером ViT-B/16 и Transformer-энкодером текста. Для обнаружения объектов к визуальным признакам добавлены лёгкие головы классификации и предсказания рамок; классы задаются текстовыми эмбеддингами. Модель выпущена в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка позиционирует модель прежде всего как исследовательский результат. Качество зависит от формулировок запросов и распределения данных; обучающие данные собраны из интернет-подписей к изображениям и датасетов обнаружения, поэтому возможны смещения и ошибки на новых типах изображений или объектов.

OWL-ViT Large Patch14 — модель обнаружения объектов с открытым словарём, разработанная Google Research и авторами статьи Simple Open-Vocabulary Object Detection with Vision Transformers. Она принимает изображение и одну или несколько текстовых подсказок, а затем находит соответствующие объекты и возвращает их классы и рамки. Модель предназначена для обнаружения объектов по текстовым запросам, в том числе классов, не заданных фиксированным списком меток. Архитектура сочетает мультимодальную основу CLIP с визуальным энкодером ViT-L/14 и текстовым Transformer-энкодером. Для обнаружения к выходам визуального Transformer добавлены лёгкие классификационная голова и голова предсказания рамок. Модель подходит для исследований нулевого обучения, обобщения и устойчивости компьютерного зрения; веса распространяются в формате PyTorch. Модель может ошибаться в локализации и классификации, а результаты зависят от формулировок текстовых запросов и состава обучающих данных. Обучающие данные включают интернет-изображения с подписями, COCO и OpenImages, поэтому возможны смещения и недостаточное представление групп и контекстов. Лицензия — Apache-2.0.

PVTv2 — лёгкая иерархическая модель зрения на основе Pyramid Vision Transformer v2, представленная в реализации Hugging Face PyTorch. В её слоях трансформера используются свёрточные операции, а архитектура формирует многомасштабные карты признаков и не требует дополнительных позиционных эмбеддингов. Этот чекпойнт предназначен для классификации изображений. Архитектура PVTv2 также используется как основа для моделей сегментации, оценки монокулярной глубины и обнаружения объектов, однако карточка данного репозитория указывает задачу классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0.

RegNetX-400MF — сверточная модель классификации изображений из библиотеки timm, опубликованная под идентификатором timm/regnetx_004_tv.tv2_in1k. Весовые коэффициенты предварительно обучены на ImageNet-1k участниками проекта torchvision; модель также подходит как основа для извлечения признаков и карт признаков. Версия timm включает стохастическую глубину, градиентный чекпойнтинг, послойное уменьшение скорости обучения и настраиваемые параметры выходного шага, активаций и нормализации. Модель содержит около 5,5 млн параметров, требует примерно 0,4 GMACs и рассчитана на изображения размером 224 × 224. Она принимает изображение и выдаёт его класс; также её можно использовать для получения признаковых представлений. Языковые возможности не являются основным назначением модели. Лицензия репозитория — BSD-3-Clause. Качество может зависеть от предметной области и отличий изображений от ImageNet-1k; карточка не приводит отдельной оценки качества для других наборов данных.

RegNetX-6.4GF — сверточная модель классификации изображений из семейства RegNetX, созданная авторами статьи Designing Network Design Spaces и доступная в реализации timm. Модель предварительно обучена на ImageNet-1k и предназначена для определения содержимого изображений, а также может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Модель содержит 26,2 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 6,5 GMACs вычислений. В реализации timm доступны дополнительные настройки архитектуры и обучения, включая stochastic depth, gradient checkpointing и настраиваемый output stride. Для применения нужны входные изображения; результат классификации — метки классов. Лицензия репозитория — MIT.

RegNetY-12GF — модель классификации изображений и извлечения признаков из семейства RegNetY, опубликованная Россом Уайтманом в библиотеке timm. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Модель содержит 51,8 млн параметров и выполняет 12,1 GMACs; в карточке приведены размеры изображений 224×224 для обучения и 288×288 для тестирования. Модель предназначена для классификации объектов на изображениях, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальную основу в прикладных системах компьютерного зрения. Реализация timm включает стохастическую глубину, градиентное чекпойнтирование, настройку шага выхода и другие варианты конфигурации слоёв. Веса распространяются по лицензии Apache-2.0. Оценки качества в README относятся к разным моделям из сравнительной таблицы и не позволяют определить точность именно этого чекпойнта. Модель работает с изображениями и сама по себе не предназначена для генерации текста или описаний.

repvgg_b2g4.rvgg_in1k — свёрточная модель классификации изображений из семейства RepVGG, реализованная в библиотеке timm на основе гибкой архитектуры BYOBNet. Её обучили авторы статьи RepVGG на ImageNet-1k. Модель содержит 61,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Она подходит для распознавания объектов на изображениях и построения признаков для последующих задач компьютерного зрения. Репозиторий распространяется по лицензии MIT.

ResNet26.bt_in1k — сверточная модель классификации изображений из библиотеки timm. Она основана на архитектуре ResNet-B с блоками остаточных связей, активациями ReLU, начальной свёрткой 7×7 с пулингом и свёрточными проекциями 1×1 для уменьшения размерности в обходных связях. Модель содержит около 16 млн параметров и обучена на ImageNet-1k по рецепту Bag of Tricks с оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения с разогревом. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. При обучении использовались изображения 224×224 пикселя, при тестировании — 288×288. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-21k. Архитектура основана на предактивационной ResNet с Group Normalization и Weight Standardization вместо Batch Normalization; число параметров — около 321,7 млн, стандартный размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Обучение на ImageNet-21k даёт ей широкое представление объектов общего назначения. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

timm/resnetv2_34.ra4_e3600_r224_in1k — модель классификации изображений семейства ResNet, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone и извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,8 млн параметров и требует 3,7 GMACs; размер изображения при обучении составлял 224×224, при тестировании — 288×288. Обучение использовало гиперпараметры, вдохновлённые MobileNet-V4 Small и подходами timm и «ResNet Strikes Back». Доступны веса PyTorch и safetensors. Подходит для распознавания объектов из ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Модель принимает изображения и выдаёт классы либо признаки. Лицензия — Apache-2.0.

ResNeXt101 32x16d — модель классификации изображений и визуальный backbone из библиотеки timm. Она предварительно обучена авторами статьи на наборе хештегов Instagram-1B с использованием слабого контроля, а затем дообучена на ImageNet-1k. Архитектура ResNeXt использует групповые свёртки в bottleneck-блоках, ReLU, начальную свёртку 7×7 с pooling и shortcut-соединения с проекцией 1×1. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. В карточке указаны 194 млн параметров, вычислительная сложность 36,3 GMACs и стандартный размер входного изображения 224×224 пикселя. Веса доступны в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель ориентирована на ImageNet-подобную классификацию; результаты на других наборах данных могут отличаться.

ResNeXt-101 64×4d — сверточная модель классификации изображений из библиотеки timm, основанная на оригинальных весах torchvision и обученная на ImageNet-1k. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, остаточные блоки с групповыми свёртками 3×3 и проекциями 1×1 в коротких связях. Модель содержит 83,5 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель подходит для классификации изображений и как визуальный backbone для извлечения карт признаков и эмбеддингов. Она принимает изображение и выдаёт классовые оценки; применение за пределами классификации требует соответствующей дополнительной обработки. Лицензия — BSD-3-Clause.

resnext26ts.ra2_in1k — модель классификации изображений семейства ResNeXt, разработанная Россом Уайтманом и обученная на ImageNet-1k с использованием библиотеки timm. Она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель построена на архитектуре BYOBNet с трёхслойным stem-блоком и активациями SiLU. Она содержит 10,3 млн параметров и требует 2,4 GMACs; размер изображения при обучении составлял 256×256, при тестировании — 288×288. Доступны веса PyTorch и safetensors. Модель предназначена для распознавания объектов на изображениях и извлечения визуальных признаков. Карточка не приводит отдельные сведения о языках, поскольку модель работает с изображениями. Лицензия Apache-2.0.

rexnetr_200.sw_in12k — модель классификации изображений и извлечения визуальных признаков из семейства ReXNet-R, подготовленная Ross Wightman в проекте timm. Она предварительно обучена на ImageNet-12k и предназначена для распознавания объектов на изображениях, получения карт признаков и эмбеддингов для последующей обработки. Архитектура ReXNet-R адаптирует число каналов с округлением до кратных 8 или 16, чтобы эффективнее использовать NVIDIA Tensor Cores. Модель содержит 44,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 1,6 GMACs. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Карточка описывает классификацию изображений и извлечение признаков; данные о поддерживаемых языках неприменимы к этой модели.

RF-DETR Base — модель для обнаружения объектов в изображениях, разработанная авторами семейства RF-DETR и добавленная в Transformers участником stevenbucaille. Это трансформерный детектор реального времени: в основе лежит визуальный ViT-бэкбон в стиле DINOv2 with registers с чередованием оконного и полноформатного внимания, модуль объединения признаков нескольких масштабов и декодер Deformable DETR с запросами объектов. Архитектура рассчитана на баланс точности и скорости; семейство RF-DETR использует поиск архитектуры по практическим параметрам точности и задержки. Модель обучена для обнаружения объектов на COCO 2017 и работает с 80 категориями этой разметки. Её можно применять для локализации и классификации объектов на изображениях. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. В README не приведены сведения о размере модели и длине контекста.

RF-DETR Medium — модель обнаружения объектов в реальном времени из семейства RF-DETR, разработанного авторами работы «RF-DETR: Neural Architecture Search for Real-Time Detection Transformers» и интегрированного в Transformers. Она предназначена для поиска и локализации объектов на изображениях; чекпойнт обучен на COCO 2017 и распознаёт 80 категорий этого набора данных. Архитектура сочетает ViT-энкодер в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер с деформируемым вниманием в стиле Deformable DETR. Модель использует запросы объектов DETR и сквозное предсказание классов и ограничивающих рамок. Репозиторий содержит веса Safetensors; для работы модель интегрирована с библиотекой Transformers. Модель подходит для детекции объектов на изображениях в сценариях, где важен баланс точности и задержки. Она обучена на 80 категориях COCO, поэтому возможности обнаружения объектов за пределами этого набора категорий не подтверждены. Лицензия — Apache-2.0.

Карточка модели ShantyCam/rtdetr-r101-coco-o365 на Hugging Face совпадает с карточкой PekingU/rtdetr_r101vd_coco_o365, поэтому описание составлено по ней. RT-DETR-R101 — модель обнаружения объектов на изображениях из семейства RT-DETR, разработанная Янь Чжао и Санбум Чхве и опубликованная на Hugging Face пользователем Санбум Чхве. Это сквозной детектор на основе Transformer с гибридным энкодером, который обрабатывает признаки разных масштабов, и декодером, предсказывающим классы объектов и ограничивающие рамки. Архитектура RT-DETR рассчитана на обнаружение объектов в реальном времени без постобработки NMS; число слоёв декодера можно менять для настройки скорости без переобучения. Данная версия использует backbone R101 и связана с предварительным обучением на Objects365; модельная карточка описывает обучение RT-DETR на COCO 2017. Она подходит для распознавания и локализации объектов на изображениях, в том числе в сценариях реального времени. В статье для RT-DETR-R101 с предварительным обучением на Objects365 сообщается результат 56,2 AP на COCO и 74 FPS на GPU T4; это результаты статьи, а не гарантия скорости в конкретной среде. Для обработки изображений в карточке указан размер 640×640 с нормализацией каналов RGB. Модель распространяется по лицензии Apache-2.0.

zeromodels/sam3 — конверсия модели SAM 3 от Meta в формате Keras 3. Архитектура включает backbone ViT-L/14, FPN, энкодер и декодер в стиле DETR с запросами объектов и текстовый энкодер CLIP для поиска объектов по открытому словарю понятий. Модель предназначена для сегментации экземпляров по текстовой подсказке в виде именной группы: она находит все подходящие объекты на изображении. Текстовые подсказки можно сочетать с рамками. Реализация Keras 3 работает с TensorFlow, Torch и JAX; карточка указывает сегментацию масок как основную задачу. Лицензия следует лицензии SAM 3 с тегом sam-license; исходный репозиторий facebook/sam3 закрыт доступом по запросу.

seresnext50_32x4d.racm_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту RACM. Это SE-ResNeXt-B: свёрточная архитектура с групповыми bottleneck-свёртками 3×3, остаточными связями и механизмом Squeeze-and-Excitation для внимания к каналам. Модель содержит 27,6 млн параметров и требует 4,3 GMACs на изображение. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как основа для извлечения карт признаков и эмбеддингов. При обучении применялись RandAugment, оптимизатор RMSProp с усреднением EMA и ступенчатое затухание скорости обучения. Размер изображений в обучении составлял 224×224 пикселя, при тестировании — 288×288. Репозиторий распространяет веса в форматах PyTorch и safetensors по лицензии Apache-2.0. Это модель для компьютерного зрения общего назначения, а не специализированная система для конкретной отрасли.

MBZUAI SwiftFormer-S — компактная модель компьютерного зрения для классификации изображений, разработанная авторами работы SwiftFormer: Efficient Additive Attention for Transformer-based Real-time Mobile Vision Applications. Она использует эффективный механизм аддитивного внимания, который заменяет квадратичные матричные операции в self-attention линейными поэлементными умножениями. Модель обучена на ImageNet-1K и предназначена для определения класса объекта на изображении. SwiftFormer-S относится к семейству трансформерных моделей для мобильного зрения; в карточке Hugging Face для неё указана архитектура SwiftFormerForImageClassification и формат PyTorch. Семейство SwiftFormer ориентировано на высокую точность и скорость инференса на мобильных устройствах. В README приведён результат 78,5% top-1 на ImageNet-1K и задержка 0,8 мс на iPhone 14 для малого варианта семейства; эти показатели не следует считать гарантией для конкретной среды или обязательно приписывать именно этой версии S. Модель подходит для классификации изображений в мобильных и других вычислительно ограниченных приложениях. README не сообщает отдельные сведения о лицензии, поэтому условия использования следует проверять в метаданных репозитория Hugging Face.

Это модель классификации изображений на основе архитектуры Swin Transformer с иерархическим Vision Transformer и механизмом сдвинутых окон. Она была предварительно обучена на ImageNet-22k, а затем дообучена авторами статьи на ImageNet-1k. Модель содержит около 196,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Это позволяет применять её в задачах распознавания объектов и построении систем визуального поиска после адаптации к нужному сценарию. Репозиторий предоставляет веса PyTorch и Safetensors; для работы используется библиотека timm. Модель разработана авторами Swin Transformer и опубликована в репозитории timm под лицензией MIT. Её обучение связано с датасетами ImageNet-22k и ImageNet-1k. Карточка не приводит специальных ограничений применения или гарантий качества вне сценариев классификации изображений.

Talk2DINOv3-ViTL — модель для сегментации изображений по свободно заданным текстовым понятиям, опубликованная Lorenzo Bianchi и соавторами. Подход Talk2DINO объединяет языковое понимание CLIP с пространственными признаками DINO: текстовые эмбеддинги CLIP отображаются в пространство патчевых признаков DINOv3, чтобы находить и выделять объекты без заранее заданного набора классов. Карточка связывает работу с исследованием «Talking to DINO» для ICCV 2025 и приводит пример инференса с пользовательскими текстовыми категориями. Модель предназначена для open-vocabulary segmentation: пользователь задаёт изображение и текстовые категории, а модель формирует сегментации соответствующих объектов. В README отмечены более точная локализация и менее шумные маски по сравнению с подходами, использующими только глобальное выравнивание изображения и текста. Репозиторий содержит веса в формате safetensors и использует PyTorch; лицензия указана как other, поэтому условия использования следует проверять в репозитории.

tf_efficientnetv2_l.in1k — модель семейства EfficientNetV2 для классификации изображений и извлечения признаков. Она обучена авторами статьи на ImageNet-1k в TensorFlow и перенесена в PyTorch Россом Уайтманом; репозиторий использует библиотеку timm и содержит веса PyTorch в формате safetensors. Модель насчитывает 118,5 млн параметров и выполняет 36,1 GMAC операций за проход. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для получения карт признаков и эмбеддингов. Размер изображения при обучении составлял 384 × 384 пикселя, при тестировании — 480 × 480. Лицензия — Apache-2.0. Карточка не сообщает о поддержке естественного языка или иных модальностей.

EfficientNetV2-M — сверточная модель классификации изображений из семейства EfficientNetV2. Исходную модель обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс её в PyTorch; репозиторий распространяет веса через timm и Safetensors. В модели 54,1 млн параметров. Модель предназначена для классификации изображений по 1000 классам ImageNet-1k. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Размер входа при обучении — 384 × 384 пикселя, при тестировании — 480 × 480 пикселей. Модель специализируется на изображениях и не обрабатывает текстовые запросы. Её область применения ограничена распознаванием объектов, представленных классами ImageNet-1k; качество на других наборах данных зависит от задачи и требует отдельной проверки. Лицензия — Apache-2.0.

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.

tinyvit/tiny_vit_11m_224.dist_in22k — модель TinyViT для классификации изображений, опубликованная авторами статьи TinyViT. Это компактный vision transformer, предварительно обученный на ImageNet-22k с дистилляцией; в карточке указано 20,4 млн параметров, 1,9 GMAC и входной размер изображения 224 × 224. Модель также подходит для извлечения карт признаков и получения эмбеддингов изображений. Её можно применять для отнесения изображений к категориям, извлечения визуальных признаков и построения эмбеддингов в компьютерном зрении. Репозиторий использует библиотеку timm и содержит веса PyTorch в формате Safetensors. Лицензия — Apache 2.0. Карточка не описывает поддержку текстовых или иных модальностей; качество зависит от соответствия целевых изображений распределению ImageNet-22k.