IV.1Ритейл, электронная коммерция и fashion-tech

TResNet-M — сверточная модель классификации изображений из семейства TResNet, опубликованная авторами исследовательских работ и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-21K-P, подмножестве ImageNet-22k примерно из 11 тысяч классов, а затем дообучена на ImageNet-1k. В репозитории приведены веса с заменой InplaceABN на стандартный BatchNorm для совместимости с современными вариантами запуска PyTorch. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. В карточке указаны 31,4 млн параметров, 5,8 GMACs и входное разрешение 224 × 224. Это модель для изображений, поэтому естественные языки к её применению не относятся. Лицензия репозитория — Apache-2.0.

timm/vit_base_patch32_clip_224.openai_ft_in1k — модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная в библиотеке timm. Она предварительно обучена OpenAI на парах изображение–текст WIT-400M с использованием CLIP, а затем дообучена на ImageNet-1k. Модель содержит 88,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и получения эмбеддингов изображений. Подходит для переноса визуальных представлений на прикладные задачи компьютерного зрения. В репозитории указаны веса PyTorch и Safetensors; лицензия — Apache-2.0.

Это большая модель Vision Transformer (ViT) для классификации изображений и извлечения признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса из JAX в PyTorch. Модель распространяется через timm и доступна в форматах PyTorch и safetensors под лицензией Apache 2.0. Модель содержит около 304,3 млн параметров, использует патчи размером 16×16 и рассчитана на изображения 224×224 пикселя. Она подходит для распознавания объектов из набора ImageNet-1k и получения визуальных эмбеддингов как основы для других задач компьютерного зрения. Высокая вычислительная нагрузка может ограничивать её применение на устройствах с малым объёмом памяти или без ускорителя.

facebook/webssl-dino7b-full8b-518 — визуальный энкодер семейства DINOv2, разработанный Meta и представленный в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это Vision Transformer с шириной 4096, глубиной 32 и 32 головами внимания, содержащий 8,6 млрд параметров по метаданным. Модель обучена методом самообучения на 8 млрд веб-изображений из данных MetaCLIP без языковой супервизии; рассчитана на изображения размером 518×518 пикселей. Основное назначение — извлечение визуальных признаков для последующего использования в задачах компьютерного зрения. В README также отмечены результаты на традиционных визуальных тестах и потенциал для мультимодальных задач, включая визуальные вопросы и распознавание текста и диаграмм; при этом сама модель классифицирована как экстрактор признаков изображений, а не как генеративная VLM. Метаданные указывают формат safetensors и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

XCiT Large 24 P16 384 fb dist — модель классификации изображений на архитектуре Cross-Covariance Image Transformer (XCiT), представленная в библиотеке timm. Она предварительно обучена авторами статьи на ImageNet-1k с дистилляцией и может использоваться как классификатор или визуальный backbone для извлечения признаков и эмбеддингов изображений. Модель рассчитана на изображения размером 384 × 384; содержит около 189,1 млн параметров и требует значительных вычислительных ресурсов. Подходит для классификации объектов на изображениях и получения визуальных признаков для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия Apache-2.0.

Zero-Sentiment-0.2M — компактная модель классификации тональности текста, обученная разработчиком fromziro на 189 тысячах примеров из четырёх наборов данных. Она предназначена для определения эмоциональной окраски коротких текстов и выдаёт классы позитивной, нейтральной и негативной тональности с оценками уверенности. Модель содержит около 298 тысяч параметров и использует двунаправленную архитектуру с 12 слоями, GQA, RoPE, RMSNorm и SwiGLU; для токенизации применяется собственный словарь из 1024 токенов. Максимальная длина контекста — 96 токенов. В README приведена точность 70,34% на наборе Yelp Polarity; автор также отмечает, что модель лучше справляется с явно положительными и отрицательными формулировками, чем с тонкими, нейтральными и неоднозначными. Модель подходит для быстрого анализа коротких отзывов и сообщений, когда важны небольшой размер и скорость. Она выпущена под лицензией Apache-2.0.

BEiT-base — модель компьютерного зрения Microsoft на основе Vision Transformer с энкодером-трансформером, похожим на BERT. Она содержит 119,5 млн параметров и принимает изображения, разбитые на патчи 16×16. Модель предварительно обучена без учителя на ImageNet-21k при разрешении 224×224, а затем дообучена для классификации изображений на ImageNet-21k; в описании также указана настройка на ImageNet с 1000 классами. Модель предназначена для классификации изображений и извлечения визуальных признаков для последующих задач, например обучения классификатора на размеченных данных. Для входа изображения масштабируются до 224×224 и нормализуются по RGB-каналам. Репозиторий содержит веса PyTorch и Flax. Модель распространяется по лицензии Apache-2.0. Классификатор ориентирован на классы ImageNet; для специализированных наборов данных может потребоваться дополнительное обучение. В README отмечено, что более высокое разрешение при дообучении может давать лучшие результаты.

BEiT-base-patch16-384 — модель классификации изображений на основе Vision Transformer, разработанная авторами BEiT и опубликованная Microsoft. Она предварительно обучена без учителя на ImageNet-21k, а затем дообучена с учителем на ImageNet-1k для распознавания объектов по 1000 классам. Модель содержит 119,5 млн параметров и принимает изображения, разбитые на патчи размером 16×16 пикселей; при дообучении использовалось разрешение 384×384. Представления модели можно применять для классификации изображений, а также использовать как основу для обучения классификаторов на размеченных наборах данных. BEiT использует архитектуру Transformer-энкодера, относительные позиционные эмбеддинги и усреднение представлений патчей для классификации. Модель предназначена для задач компьютерного зрения и не обрабатывает текстовые запросы. Веса доступны в форматах PyTorch и Flax по лицензии Apache-2.0. Классификатор настроен на классы ImageNet-1k, поэтому для других наборов классов потребуется дополнительное обучение или адаптация.

BEiT-v2 Base Patch16 224 — модель классификации изображений и визуальный backbone из библиотеки timm. Она использует архитектуру Vision Transformer с патчами 16×16 и рассчитана на изображения размером 224×224 пикселя; модель содержит около 86,5 млн параметров. Предварительное обучение выполнялось на ImageNet-1k методом masked image modeling с VQ-KD визуальным токенизатором, созданным с помощью учителя OpenAI CLIP B/16, после чего модель дообучили для классификации на ImageNet-1k. Модель предназначена для классификации изображений, а также может служить основой для извлечения визуальных признаков и эмбеддингов в компьютерном зрении. Она выдаёт классовые предсказания по входному изображению. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

CAFormer-B36 — модель компьютерного зрения семейства MetaFormer, опубликованная авторами статьи MetaFormer Baselines for Vision и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k для классификации изображений; также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 98,8 млн параметров, рассчитана на изображения размером 224 × 224 и требует заметных вычислительных ресурсов. Модель предназначена для распознавания объектов и категорий на изображениях, а также для получения признаковых представлений в компьютерном зрении. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

caformer_m36.sail_in22k_ft_in1k — модель классификации изображений семейства CAFormer и архитектуры MetaFormer, опубликованная авторами статьи о базовых моделях MetaFormer для компьютерного зрения. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 56,2 млн параметров; для классификации использует изображения размером 224 × 224 пикселя и может применяться как основа для извлечения признаков, карт признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов и категорий на изображениях и использования в качестве визуального backbone в компьютерном зрении. Репозиторий поддерживает PyTorch и safetensors; лицензия — Apache-2.0. Карточка не описывает конкретные ограничения качества или дополнительные языковые возможности.

caformer_s18.sail_in1k — модель классификации изображений на архитектуре CAFormer, разработанная авторами работы MetaFormer baselines for vision и обученная на ImageNet-1k. Она предназначена для отнесения изображений к категориям и может использоваться как визуальный backbone для извлечения признаков и получения эмбеддингов изображений. Модель содержит 26,3 млн параметров, требует изображение размером 224 × 224 пикселя и имеет показатель вычислительной сложности 4,1 GMACs. Она доступна через библиотеку timm в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

caformer_s36.sail_in22k_ft_in1k — модель классификации изображений семейства CAFormer, разработанная авторами работы MetaFormer baselines for vision. Она обучена на ImageNet-22k и дообучена для классификации на ImageNet-1k. Модель также может служить визуальным backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 39,3 млн параметров, выполняет около 8 GMACs и рассчитана на изображения размером 224 × 224. Она предназначена для классификации изображений и получения визуальных признаков; текст и другие модальности не принимает. Репозиторий распространяет веса в форматах PyTorch и Safetensors, библиотека для работы — timm. Лицензия — Apache-2.0.

caformer_s36.sail_in22k_ft_in1k_384 — модель компьютерного зрения семейства CAFormer и архитектуры MetaFormer, представленная разработчиками paper и опубликованная в экосистеме timm. Она предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k для классификации изображений; также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 39,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Репозиторий предоставляет веса PyTorch и Safetensors, библиотека для работы — timm. Лицензия — Apache-2.0. Карточка не описывает языковые возможности: модель принимает изображения и выдаёт метки классов, карты признаков или эмбеддинги.

CoAtNet-3 rw 224 — модель классификации изображений семейства CoAtNet, разработанная Ross Wightman и обученная в timm на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом. Она предназначена для распознавания объектов и других категорий на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Архитектура сочетает блоки свёрток MBConv на ранних этапах с блоками self-attention на поздних. Модель содержит около 181,8 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Реализация доступна через библиотеку timm; веса представлены в форматах PyTorch и safetensors. Модель подходит для классификации изображений по категориям, представленным при обучении, и как основа для визуальных признаков в прикладных системах. Обучение на ImageNet-12k даёт широкий набор классов, но само по себе не гарантирует качество на специализированных или существенно отличающихся от обучающих данных изображениях. Лицензия — Apache-2.0.

ConvFormer M36 — модель классификации изображений и выделения признаков из семейства MetaFormer. Она создана авторами работы «Metaformer baselines for vision», предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 57,1 млн параметров; для классификации использует изображения размером 224 × 224 пикселя, а вычислительная сложность составляет 12,9 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Её можно применять как визуальный бэкбон в системах компьютерного зрения или для переноса признаков на другие задачи. Репозиторий использует библиотеку timm и предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ConvNeXT Base — сверточная модель компьютерного зрения, разработанная командой ConvNeXT и опубликованная в репозитории Facebook. Модель обучена на ImageNet-22k и предназначена для классификации изображений; входное разрешение при обучении — 224×224 пикселя. Архитектура представляет собой чистую ConvNet, дизайн которой опирается на ResNet и заимствует современные решения у Swin Transformer. Модель выдаёт метки классов изображений и может служить основой для настройки под другие задачи компьютерного зрения. Доступны форматы PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка описывает классификацию изображений, но не приводит оценки качества или подробные ограничения по применению.

ConvNeXt Large — сверточная модель классификации изображений, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и может использоваться для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 229,8 млн параметров; указанное для неё разрешение изображений — 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для задач компьютерного зрения общего назначения. Карточка не описывает поддержку иных модальностей или языков; практическое качество зависит от предметной области и соответствия входных изображений обучающим данным ImageNet-22k.

ConvNeXt Small — модель компьютерного зрения для классификации изображений, опубликованная в timm. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит около 50,2 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель относит изображение к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и safetensors; модель предназначена для обработки изображений и не генерирует текст. Лицензия — Apache-2.0.

ConvNeXt Small — сверточная модель для классификации изображений, подготовленная Ross Wightman в библиотеке timm. Модель предварительно обучена на ImageNet-12k, подмножестве ImageNet-22k из 11 821 класса, а затем дообучена на ImageNet-1k. Число параметров — около 50,2 млн; стандартный размер входного изображения — 384 × 384 пикселя. Модель предназначена для определения объектов и категорий на изображениях. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Карточка приводит результаты на ImageNet-1k и сопоставляет модель с другими вариантами ConvNeXt. Доступны веса PyTorch и Safetensors; модель использует библиотеку timm. Лицензия — Apache-2.0. Качество и скорость могут зависеть от оборудования и параметров инференса; заявленный размер изображения — 384 × 384.

ConvNeXt V2 Base — свёрточная модель компьютерного зрения, представленная Woo и соавторами. Она предварительно обучена с использованием FCMAE, а затем дообучена на ImageNet-22K для классификации изображений; входное разрешение при дообучении составляло 384×384 пикселя. Архитектура использует полностью свёрточный masked autoencoder и слой Global Response Normalization (GRN). Модель предназначена для присвоения изображениям меток классов, в том числе как основа для прикладных вариантов, дообученных под конкретные задачи. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Это модель компьютерного зрения семейства ConvNeXt XXLarge для классификации изображений и извлечения визуальных признаков. Её разработал Росс Уайтман в библиотеке timm: веса визуальной башни CLIP предварительно обучены в OpenCLIP на LAION-2B, затем дообучены на ImageNet-1k. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Для классификации используется размер изображения 256 × 256; модель содержит около 846,5 млн параметров. В таблице результатов для ImageNet-1k указана точность top-1 88,612% и top-5 98,704%. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов в задачах компьютерного зрения. Веса распространяются по лицензии Apache-2.0. Её крупный размер и вычислительные затраты могут ограничивать применение на маломощном оборудовании.

Это конверсия модели DINOv3 ViT-B/16, разработанной Meta AI, в формат Keras 3 и опубликованной zeromodels. Модель представляет собой предварительно обученный на изображениях самообучаемый визуальный backbone без специализированной выходной головы; она извлекает признаки изображений для последующих моделей и задач компьютерного зрения. Вариант ViT также предоставляет register tokens. Репозиторий содержит формат TensorFlow; реализация Keras 3 может работать с TensorFlow, Torch и JAX. Модель предназначена для использования как основа для классификации изображений, визуального поиска и других задач компьютерного зрения. Для загрузки и использования исходных весов Facebook действует лицензия DINOv3 с ограничениями доступа; метаданные Hub обозначают лицензию как other.

timm/dla34.in1k — модель компьютерного зрения на архитектуре DLA (Deep Layer Aggregation), разработанной авторами соответствующей научной работы и обученной на ImageNet-1k. Она предназначена для классификации изображений, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов. Модель содержит около 15,7 млн параметров; для входа в карточке указан размер изображения 224 × 224 пикселя. Веса доступны в форматах PyTorch и Safetensors и рассчитаны на работу с библиотекой timm. Лицензия — BSD 3-Clause.

eca_resnet33ts.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Она основана на ResNet с эффективным канальным вниманием ECA и реализована через архитектуру BYOBNet. Модель содержит 19,7 млн параметров; в ней используются трёхуровневый stem без pooling и активации SiLU. Размер изображения при обучении — 256 × 256, при оценке — 288 × 288. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

EfficientFormer-V2 S0 — компактная модель классификации изображений из семейства EfficientFormer, опубликованная командой timm и предварительно обученная с дистилляцией на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения эмбеддингов и карт признаков в задачах компьютерного зрения. Модель содержит около 3,6 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную стоимость около 0,4 GMAC. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Компактный размер и мобильная архитектура подходят для сценариев, где важны скорость и экономия ресурсов. Карточка описывает обучение на ImageNet-1k; качество на других наборах данных и поведение при входных размерах, отличных от 224 × 224, отдельно не охарактеризованы.

EfficientViT L3 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами исследования EfficientViT и доступная в библиотеке timm. Она обучена на ImageNet-1k и рассчитана на изображения размером 384 × 384 пикселя. Модель содержит около 246 млн параметров и использует архитектуру EfficientViT с многомасштабным линейным вниманием. Модель подходит для классификации изображений по классам ImageNet, извлечения карт признаков и получения визуальных эмбеддингов, которые можно использовать в последующих задачах компьютерного зрения. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

EoMT-DINOv3 COCO Instance Large — модель для сегментации отдельных объектов на изображениях, разработанная на основе архитектуры EoMT и предобученного визуального энкодера DINOv3. Это крупный вариант с 402,7 млн параметров: в основе лежит ViT-L/16 с позиционными RoPE-эмбеддингами; модель обучена на COCO и рассчитана на изображения размером 640×640 пикселей. EoMT выполняет сегментацию с помощью encoder-only Mask Transformer без специализированного декодера или модулей слияния пиксельных признаков. Модель предназначена для выделения экземпляров объектов и их масок на изображениях. Архитектура EoMT также поддерживает семантическую и паноптическую сегментацию при соответствующей постобработке, однако эта версия обучена для instance segmentation. Для работы требуется входное изображение; результатом служат маски сегментации и связанные с ними метки объектов. Лицензия — MIT. В карточке не приведены метрики качества и дополнительные ограничения применения.

Fashion Attribute Lab — экспериментальная модель компьютерного зрения для извлечения атрибутов одежды с изображений товаров. Она дообучена на базе CLIP ViT-B/32 от OpenAI и использует семь специализированных классификационных головок, статистики цвета HSV и RGB, пространственные цветовые признаки и связи между уровнями иерархии категорий. Модель предсказывает целевую категорию товара по полу, основную категорию, подкатегорию, тип изделия, основной цвет, сезон и назначение. Модель рассчитана на эксперименты с классификацией модных товаров, анализ многозадачного обучения, цветовых признаков и аугментации при инференсе. Она обучена на наборе ashraq/fashion-product-images-small; в README указаны средняя точность 87,87% по семи атрибутам и задержка 12,92 мс на изображение на NVIDIA Tesla P100 с включённой аугментацией при инференсе. Это экспериментальный чекпойнт, а не основная производственная модель; для загрузки требуется пользовательская архитектура PyTorch и код проекта. Лицензия в предоставленных данных не указана.

FastViT-S12 — модель классификации изображений и визуальный backbone, обученный авторами статьи на ImageNet-1k. Репозиторий timm предоставляет веса в форматах PyTorch и safetensors для использования через библиотеку timm. Модель содержит около 9,5 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность 1,8 GMAC. Помимо классификации, её можно использовать для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов и получения визуальных признаков в компьютерном зрении. Следует соблюдать исходную лицензию; её конкретные условия в предоставленных данных не раскрыты.