IV.1Ритейл, электронная коммерция и fashion-tech

HGNet-V2 B5 — сверточная модель классификации изображений из семейства High Performance GPU Net. Модель обучена авторами на данных ImageNet-22k с применением дистилляции SSLD, а затем дообучена на ImageNet-1k. Репозиторий предоставляет веса PyTorch и Safetensors и поддерживает библиотеку timm. Модель предназначена для классификации изображений и может использоваться как визуальный backbone: README также описывает извлечение карт признаков и получение эмбеддингов изображений. Для обучения указан размер изображения 224×224 пикселя, для оценки — 288×288. В карточке приведены характеристики версии B5: 39,6 млн параметров и 6,6 GMACs. Модель подходит для задач распознавания объектов и построения признаков в прикладных системах компьютерного зрения. Результаты и применимость за пределами ImageNet зависят от данных и способа использования; карточка не сообщает специальных ограничений качества. Лицензия — Apache-2.0.

hiera_base_plus_224.mae — модель извлечения признаков и классификации изображений из семейства Hiera, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-1k методом Self-Supervised Masked Autoencoder (MAE) и предназначена для классификации изображений, получения карт признаков и эмбеддингов. Модель содержит около 69 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; в README также приведён результат Top-1 85,134% для варианта, дообученного на ImageNet-1k. Веса доступны в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Языковая обработка не заявлена: модель принимает изображения и выдаёт классы или визуальные признаки.

Это модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная Ross Wightman в библиотеке timm. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k по рецепту из работы «Searching for better ViT baselines». Вариант использует изменяемые абсолютные позиционные эмбеддинги для оконного внимания и layer-scale. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она рассчитана на изображения размером 256 × 256 пикселей, содержит 34,4 млн параметров и требует 7,7 GMACs согласно карточке модели. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Обучение на ImageNet делает модель пригодной для задач распознавания объектов общего назначения и последующей адаптации в компьютерном зрении. Карточка не сообщает отдельные ограничения качества или перечень классов, поэтому результаты на других доменах могут отличаться и требуют проверки на целевых данных.

hrnet_w48_ssld.paddle_in1k — модель классификации изображений семейства HRNet, опубликованная проектом timm. Она обучена с дистилляцией SSLD на ImageNet-1k и предназначена для определения класса объекта на изображении; также её можно использовать как визуальный backbone и для получения эмбеддингов изображений. Модель содержит 77,5 млн параметров и рассчитана на входные изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Репозиторий предоставляет веса PyTorch в формате Safetensors; для работы используется библиотека timm. Модель принимает изображения и выдаёт оценки классов, а при извлечении признаков — векторы эмбеддингов. Лицензия MIT.

lambda_resnet26rpt_256.c1_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Она основана на ResNet и использует блоки LambdaNet для моделирования дальних пространственных взаимодействий. Архитектура реализована через BYOBNet и подходит также для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 11 млн параметров, имеет вычислительную сложность 3,2 GMAC и рассчитана на изображения размером 256 × 256 пикселей. В описании указано, что конфигурация не повторяет конкретную научную работу: она настроена на разумное время обучения и сокращённое число блоков self-attention. Модель обучена на ImageNet-1k; лицензия — Apache-2.0.

LeViT Conv 192 — модель компьютерного зрения семейства LeViT, опубликованная авторами библиотеки timm. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит 10,9 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 0,7 GMAC на изображение. Вариант с именем conv использует линейный режим с nn.Linear и BatchNorm1d; веса предварительно обучены на ImageNet-1k с дистилляцией авторами статьи о LeViT. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач. В карточке приведены примеры оценки классификации, получения эмбеддингов и извлечения карт признаков. Лицензия репозитория — Apache-2.0. Описанные характеристики и обучение относятся к ImageNet-1k; отдельные языковые возможности не применимы к модели без текстового ввода.

AnnaZhang/lwdetr_small_60e_coco — вариант LW-DETR, лёгкого трансформера для обнаружения объектов, представленный в библиотеке Transformers и основанный на работе Chen и соавторов «LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection». Модель предназначена для быстрого обнаружения объектов на изображениях и обучена с дообучением на COCO 2017; в предварительном обучении использовался Objects365. Архитектура включает ViT-энкодер с чередованием оконного и глобального внимания, свёрточный проектор и неглубокий трёхслойный декодер DETR с deformable cross-attention. Модель рассчитана на баланс скорости и точности при обнаружении объектов. Лицензия — Apache-2.0. Карточка не приводит конкретных показателей качества для этого варианта.

MambaOut Base Plus RW — модель компьютерного зрения для классификации изображений и извлечения признаков, реализованная для библиотеки timm. Её обучил Росс Уайтман на ImageNet-12k по рецепту обучения на основе Swin и ConvNeXt. Модель содержит около 134,9 млн параметров; для обучения использовались изображения 224×224, а для оценки — 288×288 пикселей. Модель подходит для определения объектов и категорий на изображениях, извлечения карт признаков и получения эмбеддингов изображений. В карточке приведены результаты отдельных вариантов после дополнительного обучения на ImageNet-1k, но эти показатели не следует напрямую приписывать данному чекпойнту. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0.

MambaOut Base Plus — модель классификации изображений и извлечения признаков из семейства MambaOut, опубликованная в экосистеме timm. Ross Wightman предварительно обучил её на ImageNet-12k, а затем дообучил на ImageNet-1k по рецепту, основанному на Swin и ConvNeXt. Вариант рассчитан на изображения размером 384 × 384; в README указаны 101,7 млн параметров и 56,4 GMACs. Модель подходит для классификации изображений по категориям, извлечения карт признаков и получения визуальных эмбеддингов, в том числе как базовая сеть для последующих задач компьютерного зрения. Для классификации ImageNet-1k в README приведена точность Top-1 87,506% и Top-5 98,428% при размере изображения 384 × 384. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги. Распространяется по лицензии Apache-2.0.

MambaOut Small — модель компьютерного зрения для классификации изображений и извлечения признаков. Она основана на архитектуре MambaOut и предварительно обучена авторами статьи на ImageNet-1k; модельная карточка представлена в экосистеме timm. Веса содержат 48,5 млн параметров, вычислительная сложность указана как 9,0 GMACs. Обучение проводилось с размером изображения 224×224, для оценки используется 288×288. Модель подходит для отнесения изображений к классам ImageNet-1k, получения карт признаков и вычисления эмбеддингов изображений, например, как визуальный backbone в прикладных системах. Она принимает изображения и выдаёт метки классов либо признаки, в зависимости от выбранного сценария использования. Доступные форматы весов — PyTorch и Safetensors. Лицензия — Apache-2.0.

MambaVision-L3-256-21K — модель компьютерного зрения из семейства MambaVision, разработанная NVIDIA. Это гибридная иерархическая архитектура, объединяющая Mamba и блоки self-attention трансформера: блоки внимания в поздних слоях помогают моделировать дальние пространственные зависимости. Модель предназначена для классификации изображений и может использоваться как извлекатель признаков, выдающий представления промежуточных этапов и финальные усреднённые признаки. Модель предварительно обучена на ImageNet-21K и дообучена на ImageNet-1K; обучение проводилось при разрешении 256 × 256 пикселей. В README заявлена высокая точность классификации при хорошей пропускной способности. Для работы предлагается библиотека mambavision, а в метаданных указана поддержка Transformers и формат весов safetensors. Метаданные не содержат конкретного значения лицензии: указано только «other», поэтому условия использования следует уточнить в репозитории модели.

Mask2Former — модель компьютерного зрения для сегментации объектов на изображениях, разработанная командой Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот чекпойнт обучен на COCO для сегментации экземпляров объектов; используется компактная версия с Tiny-бэкбоном Swin. Модель предсказывает маски объектов и соответствующие им классы. Архитектура Mask2Former применяет многомасштабный декодер пикселей с deformable attention и Transformer-декодер с masked attention. Семейство архитектур поддерживает сегментацию экземпляров, семантическую и паноптическую сегментацию, но этот чекпойнт предназначен для сегментации экземпляров. Модель принимает изображения и выдаёт маски и метки классов объектов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

MaxViT Base TF 512 — модель классификации изображений семейства MaxViT. Её обучили авторы работы: предварительно на ImageNet-21k, затем дообучили на ImageNet-1k. Реализацию TensorFlow перенёс в PyTorch Росс Уайтман; модель доступна через библиотеку timm. Архитектура объединяет блоки MBConv и два вида self-attention: оконное и сеточное. Модель содержит около 119,9 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. В карточке приведена точность Top-1 88,20% и Top-5 98,53% на ImageNet-1k. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель принимает изображения и выдаёт классы объектов либо признаки изображения. Она предназначена для задач компьютерного зрения общего назначения; сведения о поддержке естественных языков к ней не относятся. Лицензия — Apache-2.0. Высокая вычислительная стоимость и входной размер 512 × 512 могут ограничивать применение на маломощном оборудовании.

MaxViT Large TF 224 IN1K — модель классификации изображений семейства MaxViT, обученная авторами статьи в TensorFlow на ImageNet-1k и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Архитектура MaxViT сочетает блоки MBConv со слоями self-attention по оконным и сеточным разбиениям. В модели около 211,8 млн параметров; она рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.,

timm/maxxvitv2_rmlp_base_rw_224.sw_in12k_ft_in1k — модель классификации изображений семейства MaxxViT-V2, опубликованная Ross Wightman в библиотеке timm. Она предварительно обучена на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом, а затем дообучена на ImageNet-1k. Модель рассчитана на изображения размером 224 × 224 пикселя и содержит 116,1 млн параметров. Архитектура MaxxViT-V2 сочетает блоки ConvNeXt и grid self-attention; в этой версии применяется MLP-вариант смещения относительных позиций, мотивированный Swin Transformer V2. Модель предназначена для распознавания классов объектов на изображениях, а также может служить backbone для извлечения признаковых карт и эмбеддингов. README не указывает специальную поддержку естественных языков. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Результаты классификации зависят от сходства входных изображений с ImageNet и его набором классов; сведений о других ограничениях в предоставленных источниках нет.

Это свёрточная модель MobileNet-V1 для классификации изображений, обученная Россом Уайтманом с помощью скриптов библиотеки timm на ImageNet-1k. Она также может служить визуальной базовой сетью для извлечения карт признаков и эмбеддингов. Модель содержит около 4,2 млн параметров и рассчитана на эффективную обработку изображений: указано 0,6 GMACs. Размер изображения при обучении — 224 × 224 пикселя, при тестировании — 256 × 256. Её можно применять для распознавания объектов на изображениях и как основу для других задач компьютерного зрения. Опубликована в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке нет сведений о поддержке текстовых или иных языков; модель принимает изображения и выдаёт классы.

MobileViT-v2 150 — модель классификации изображений и извлечения визуальных признаков из семейства MobileViT-v2, опубликованная авторами статьи. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 10,6 млн параметров; указанный размер входного изображения — 384 × 384 пикселя, вычислительная сложность — 9,2 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальную основу в задачах распознавания объектов по категориям и в системах, которым нужны признаки изображений. Архитектура сочетает мобильный дизайн с механизмом separable self-attention; библиотека для работы с моделью — timm. В метаданных указан формат PyTorch и safetensors. Лицензия обозначена как other, а README отсылает к отдельным сведениям о лицензии, поэтому условия использования по имеющимся данным уточнить нельзя. Модель рассчитана на обработку изображений и не описана как мультимодальная система или модель для понимания текста.

Fixaro разработала модель много меточной классификации для выявления аспектов в отзывах на товары и услуги на бирманском языке. Это первый этап двухэтапного конвейера аспектно-ориентированного анализа тональности (ABSA): для каждого отзыва модель определяет наличие до пяти аспектов — качества товара или услуги, доставки и скорости выполнения заказа, цены и ценности, работы персонала и сервиса, а также разнообразия и доступности товаров. Модель основана на XLM-RoBERTa Base (xlm-roberta-base) с архитектурой XLMRobertaForSequenceClassification: 12 слоёв трансформера, размер скрытого представления 768 и классификационная голова с пятью выходами. Она содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Для обработки аспектов каждого отзыва используется независимая многометочная классификация; README сообщает Macro F1 0,9314 и Micro F1 0,9279 на тестовой выборке из 529 отзывов. Модель обучена на отзывах о товарах и услугах, поэтому её качество на других темах не гарантируется; возможны ошибки на смешанном бирманско-другом языке и неоднозначных отзывах. Порог 0,5 может потребовать настройки под конкретное применение. Лицензия — MIT.

NesT Small JAX Google ImageNet-1k — модель классификации изображений и визуальный backbone семейства Nested Hierarchical Transformer. Её обучили авторы статьи на ImageNet-1k с использованием JAX, затем Александр Соаре перенёс веса в PyTorch; модель опубликована в библиотеке timm. Модель принимает изображения размером 224 × 224 и предсказывает классы изображений. Её также можно использовать как backbone для извлечения карт признаков и визуальных эмбеддингов. В модели 38,4 млн параметров; вычислительная сложность составляет 10,4 GMACs. Модель рассчитана на задачи компьютерного зрения общего назначения, прежде всего классификацию изображений. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает поддержку текстового ввода или других языков: модель работает с изображениями и выдаёт классификационные метки либо визуальные признаки.

nf_regnet_b1.ra2_in1k — модель для классификации изображений и извлечения визуальных признаков, обученная Ross Wightman в библиотеке timm на ImageNet-1k. Она основана на архитектуре NFRegNet: похожей на ResNet сети без слоёв нормализации, использующей Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит 10,2 млн параметров и требует около 0,8 GMAC на изображение. Размер изображений при обучении составлял 256×256 пикселей, при тестировании — 288×288. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

pit_b_distilled_224.in1k — модель классификации изображений на основе PiT (Pooling based Vision Transformer), опубликованная авторами библиотеки timm. Она обучена на ImageNet-1k с дистилляцией на основе токенов и подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 74,8 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Модель предназначена для задач компьютерного зрения общего назначения, где требуется распознавать объекты на изображениях или использовать визуальные признаки в последующих системах. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

RegNetV-4GF — модель классификации изображений и извлечения признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель содержит 20,6 млн параметров и требует около 4,0 GMACs на изображение. Для обучения использовался размер 224 × 224 пикселя, для тестирования — 288 × 288. Помимо предсказания классов ImageNet, модель можно применять как основу для извлечения карт признаков и визуальных эмбеддингов. Реализация RegNet в timm поддерживает stochastic depth, gradient checkpointing, настройку шага выходных признаков и выбор слоёв активации и нормализации. Модель предназначена для обработки изображений; качество и набор классов классификации связаны с обучением на ImageNet-1k.

RegNetY-3.2GF — свёрточная модель классификации изображений из семейства RegNetY, представленная авторами библиотеки timm. Веса предварительно обучены участниками torchvision на ImageNet-1k; модель также подходит как основа для извлечения признаков и карт признаков. Модель содержит 19,4 млн параметров и рассчитана на изображения размером 224 × 224. Вычислительная сложность составляет 3,2 GMACs. Реализация timm включает стохастическую глубину, контроль выходного шага и настраиваемые слои активации и нормализации. Лицензия репозитория — BSD-3-Clause. Модель предназначена для распознавания объектов и категорий на изображениях, а также получения визуальных признаков для последующих задач. README приводит сравнительные результаты на ImageNet, но не сообщает конкретную оценку этой версии; качество на других наборах данных может отличаться.

ResNet-50d — свёрточная нейронная сеть с остаточными связями, представленная как предварительно обученная модель для классификации изображений ImageNet. Архитектура ResNet дополнена модификацией ResNet-D. Модель доступна в формате PyTorch и рассчитана на классификацию по 1000 меткам ImageNet; её классификационную голову также можно заменить для дообучения на других задачах компьютерного зрения. Для оценки изображения масштабируются до 224×224 пикселей с бикубической интерполяцией и нормализуются статистиками ImageNet. В оценке на ImageNet модель показала точность top-1 80,53% и top-5 95,16%. Лицензия — Apache-2.0. Обучающие данные преимущественно содержат фотографии, ясно соответствующие одной из категорий, поэтому модель может хуже работать с рисунками и изображениями с несколькими объектами разных классов. Географическое смещение обучающих данных и представленные в них расовые и гендерные предубеждения могут отражаться на результатах.

ResNet50D.a1_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet-D использует активации ReLU, трёхслойный блок начальных свёрток 3×3 с пулингом и усечение размерности в обходных связях через усредняющий пулинг 2×2 и свёртку 1×1. Модель содержит 25,6 млн параметров и выполняет классификацию изображений; также её можно использовать как основу для извлечения карт признаков и эмбеддингов. Рекомендуемый размер изображения при обучении — 224×224, при тестировании — 288×288. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для распознавания объектов и категорий на изображениях, а также для получения визуальных признаков в компьютерном зрении. Карточка не описывает ограничения точности за пределами ImageNet-1k.

ResNetV2-101x1-BiT — сверточная модель классификации изображений семейства ResNet-V2-BiT (Big Transfer), обученная авторами работ на ImageNet-21k и опубликованная в timm. Она подходит для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. В модели около 87,2 млн параметров; расчётная сложность составляет 8,1 GMACs, размер входного изображения — 224 × 224 пикселя. Архитектура использует предактивационные остаточные блоки, Group Normalization и Weight Standardization вместо Batch Normalization. Модель доступна в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка не описывает поддержку конкретных естественных языков или специализированных предметных областей.

ResNeXt101-32x4d.gluon_in1k — свёрточная модель классификации изображений из семейства ResNeXt, опубликованная в timm. Её обучили на ImageNet-1k с использованием рецептов Bag of Tricks в Apache Gluon. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом и групповые свёртки 3×3 в bottleneck-блоках; модель также может служить основой для извлечения признаков и эмбеддингов изображений. Модель содержит 44,2 млн параметров, имеет вычислительную сложность 8,0 GMACs и рассчитана на изображения размером 224×224 пикселя. Она предназначена для распознавания объектов и категорий на изображениях общего назначения. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

RT-DETR-R18 с backbone ResNet-18 — модель компьютерного зрения для обнаружения объектов на изображениях. Разработана Яном Чжао и Санбумом Чхве; опубликована в формате Transformers и использует архитектуру RT-DETR с эффективным гибридным энкодером, выбором запросов и Transformer-декодером. Модель предсказывает классы объектов и ограничивающие рамки без этапа NMS. Модель обучалась для обнаружения объектов на COCO 2017; карточка приводит для варианта RT-DETR-R18 результат 46,5 AP на валидационном наборе. В описании RT-DETR указана возможность менять число слоёв декодера для настройки скорости без повторного обучения. Вход — изображение, выход — классы и рамки объектов. Предобработка в карточке включает изменение размера изображения до 640×640 и нормализацию каналов. Подходит для обнаружения объектов в изображениях и сценариев компьютерного зрения с требованиями к быстрому инференсу. Карточка не уточняет перечень классов конкретного чекпойнта отдельно от данных COCO. Лицензия — Apache-2.0.

Sapiens-Pose-1B — модель Meta на архитектуре Vision Transformer для оценки позы человека по изображению. Она предсказывает 308 ключевых точек тела, лица, кистей и стоп, помогая анализировать положение человека на снимке. Модель содержит около 1,169 млрд параметров, использует патчи размером 16 × 16 и рассчитана на обработку изображений высокого разрешения. Семейство Sapiens предварительно обучено на 300 млн изображений людей; разработчик указывает на обобщение на реальные условия съёмки, в том числе при малом количестве размеченных данных. Модель принимает изображение и выдаёт координаты ключевых точек. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

sebotnet33ts_256.a1h_in1k — модель классификации изображений, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Архитектура основана на ResNet и BotNet, включает механизм канального внимания Squeeze-and-Excitation и сокращённое число блоков self-attention. Модель содержит 13,7 млн параметров и рассчитана на входные изображения размером 256 × 256 пикселей. Обучение использовало рецепт ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout и stochastic depth, RandAugment и косинусным расписанием скорости обучения с прогревом. Модель подходит для классификации изображений общего назначения и извлечения визуальных признаков. Карточка отмечает, что конфигурация не повторяет в точности конкретную научную статью. Лицензия — Apache-2.0.