IV.1Ритейл, электронная коммерция и fashion-tech

EVA-02 Base Patch14 448 — модель компьютерного зрения для классификации изображений и получения визуальных признаковых представлений. Чекпойнт опубликован в библиотеке timm; авторы статьи предварительно обучили его на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, а затем дообучили на ImageNet-1k. Лицензия — MIT. Модель основана на Vision Transformer с mean pooling, SwiGLU, Rotary Position Embeddings и дополнительной LayerNorm в MLP. В ней 87,1 млн параметров; рекомендуемый размер изображения — 448 × 448. Веса репозитория представлены в форматах PyTorch и safetensors, а карточка timm указывает float32. Модель ориентирована на распознавание объектов и классов изображений; README также упоминает получение эмбеддингов. Она подходит для классификации изображений и использования в качестве визуального backbone. Результаты зависят от сходства входных данных с ImageNet и выбранной процедуры адаптации; специализированные домены и языковые задачи в карточке не заявлены.

Falcon-TST Large — модель временных рядов с архитектурой Mixture of Experts (MoE), предназначенная для прогнозирования. Она использует несколько токенизаторов патчей для эффективной обработки временных рядов и рассчитана на применение в задачах прогнозирования. Модель содержит 33,6 млн параметров и поддерживает контекст длиной 2880 токенов. Репозиторий содержит веса в формате safetensors. В карточке заявлены эффективность обработки и высокая точность на различных задачах прогнозирования, но сравнительные результаты и конкретные наборы данных не приведены. Лицензия — Apache-2.0.

FastSam-S — модель для сегментации объектов на изображениях, оптимизированная компанией Qualcomm для устройств на базе её аппаратных платформ. Она основана на Fast Segment Anything Model (FastSAM) от CASIA-LMC-Lab и предназначена для решения задач Segment Anything: выделения объектов по различным интерактивным подсказкам. Модель ориентирована на сценарии компьютерного зрения в реальном времени, включая использование на мобильных и периферийных устройствах Android. FastSam-S использует CNN-архитектуру, принимает изображения с разрешением 640×640 и содержит 11,8 млн параметров; размер модели в формате float составляет 45,1 МБ. В README не указаны поддерживаемые языки, поскольку модель работает с изображениями, а не с текстом. Доступны варианты ONNX в формате float, а также с квантованием w8a16 и смешанной точностью w8a16_mixed_int16. На совместимых устройствах Qualcomm вычисления выполняются на NPU, а заявленная задержка составляет единицы или десятки миллисекунд в зависимости от чипсета и конфигурации. К сильным сторонам относятся высокая скорость инференса, сниженные вычислительные требования и адаптация к широкому спектру платформ Qualcomm, включая Snapdragon и Dragonwing. Ограничения включают зависимость производительности от конкретного устройства и необходимость самостоятельно экспортировать или компилировать модель; предварительно экспортированные файлы в репозитории не распространяются из-за лицензионных ограничений. Модель распространяется по лицензии AGPL-3.0.

Flux.2-Klein-9B-Mannequin — специализированный LoRA-адаптер для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Модель разработана и опубликована автором под идентификатором nhathoangfoto; точное название организации-разработчика в README не указано. Адаптер предназначен для высокоточной замены персонажа и лица при сохранении естественного вида итогового изображения. Основные сценарии применения — портретная ретушь, коммерческая фотография, AI-фотобудки и продвинутые пайплайны ComfyUI. Модель работает в режиме image-to-image и рассчитана на объединение источника идентичности с целевым телом или сценой. Она ориентирована на обработку сложных перекрытий, включая руки, волосы, вуали и объекты на переднем плане, а также на согласование освещения, теней, цветовой гаммы и контраста с целевым изображением. В качестве триггерного слова указан jhuangswap; заявленный язык — английский. К сильным сторонам относятся сохранение характерных черт и структуры лица, реалистичная текстура кожи, поддержка разных ракурсов и выражений, а также стремление избежать мультяшного или чрезмерно сглаженного вида. Для наилучших результатов рекомендуется специализированный workflow ComfyUI и дополнительные control LoRA. README не сообщает точный размер файла адаптера, параметры обучения, требования к оборудованию, поддерживаемый размер контекста или количественные результаты тестирования, поэтому эти характеристики оценить нельзя. Лицензия — Apache-2.0.

facebook/hiera-tiny-224-in1k-hf — компактная модель компьютерного зрения семейства Hiera, разработанная Meta и дообученная для классификации изображений на ImageNet-1K. Это иерархический vision transformer с архитектурой HieraForImageClassification и примерно 33 млн параметров; для загрузки весов используется формат safetensors, а запуск поддерживается библиотекой Transformers. Модель принимает изображения и определяет их классы. Этот чекпойнт предназначен прежде всего для классификации изображений; семейство Hiera также применяют для извлечения признаков и masked image modeling. Иерархическая архитектура рассчитана на эффективное распознавание визуальных объектов. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение. Модель обучена на ImageNet-1K, поэтому её классификация ориентирована на классы этого набора данных и может быть ненадёжна на изображениях, сильно отличающихся от обучающих данных.

ChrisColeTech/hunyuan3d-mini — сборка компактной модели Hunyuan3D-2mini от Tencent для генерации 3D-сеток по изображению. В репозитории находятся веса shape DiT на 0,6 млрд параметров, а также компоненты Hunyuan3D-2.0-turbo и отдельные конвейеры delight и paint для подготовки и текстурирования мешей; веса не переобучались. Основной сценарий — получить лёгкую треугольную сетку из одного RGB(A)-изображения с предметом на простом фоне. Генерация меша занимает примерно 6–18 секунд на RTX 5090, а типичный размер результата составляет около 0,7 МБ. Выход img2mesh — сетка GLB без текстуры; текстурирование выполняется отдельным этапом и занимает около 85 секунд в описанной конфигурации. Модель ориентирована на черновики, предпросмотр и массовую генерацию, где важны скорость и компактность. Она сохраняет силуэт, пропорции и крупные элементы, но сглаживает мелкий рельеф; загромождённый фон ухудшает геометрию. Репозиторий распространяется по лицензии сообщества Tencent Hunyuan3D; условия распространения и коммерческого использования следует сверять с лицензией upstream.

In-Context-LoRA — это набор адаптеров LoRA, разработанный командой ali-vilab для моделей генерации изображений, включая FLUX.1-dev от Black Forest Labs. Модель предназначена для текстово-управляемой генерации наборов связанных изображений, где взаимосвязи между изображениями задаются естественным языком. Также поддерживается генерация одного набора изображений с условием в виде другого набора, в том числе с использованием SDEdit. Ключевая особенность подхода заключается в объединении условных и целевых изображений в единое составное изображение и последующем описании задачи текстом. Framework ориентирован на широкий спектр сценариев, включая дизайн профилей, виртуальную примерку, дизайн продуктов, перенос визуальной идентичности, создание комиксов и раскадровок. В репозитории представлены адаптеры для 10 задач с рекомендованными параметрами генерации. Это не универсальная модель без дополнительной настройки: для разных приложений требуется task-specific fine-tuning. К ограничениям также относятся зависимость от базовой модели FLUX.1-dev и отсутствие в предоставленных данных сведений о размере адаптеров, поддерживаемых языках и максимальном контексте. Модель распространяется по лицензии MIT.

InternImage-T — модель компьютерного зрения из семейства InternImage, разработанного исследователями Shanghai AI Laboratory, Университета Цинхуа и других организаций. Вариант internimage_t_1k_224 предназначен для классификации изображений и обучен на ImageNet-1K. Он использует оператор DCNv3 для адаптивного пространственного агрегирования и доступен в формате Safetensors для библиотеки Transformers. Для этого варианта README указывает 30 млн параметров, входное разрешение 224×224 и точность Top-1 83,5% на ImageNet-1K. Модель может служить визуальным энкодером и основой для задач компьютерного зрения, включая обнаружение объектов и сегментацию после соответствующей настройки. Для ускоренного вывода можно установить CUDA-реализацию DCNv3; без неё используется реализация на PyTorch, которая может требовать больше видеопамяти и работать менее эффективно. Лицензия — MIT.

MambaOut Base — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработали авторы работы «MambaOut: Do We Really Need Mamba for Vision?» и предварительно обучили на ImageNet-1k. Модель доступна через библиотеку timm и использует архитектуру MambaOut. Модель содержит 84,8 млн параметров; указаны вычислительная сложность 15,8 GMACs и размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Она подходит для присвоения изображению метки класса, извлечения карт признаков и получения представлений изображений. Это базовая модель для применения в задачах классификации и как визуальный backbone. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

Это модель MaxViT Base для классификации изображений, перенесённая из официальной реализации TensorFlow в PyTorch Россом Уайтменом и доступная в библиотеке timm. Авторы статьи предварительно обучили её на ImageNet-21k, а затем дообучили на ImageNet-1k. Архитектура MaxViT сочетает блоки свёрточной обработки MBConv с механизмами внимания по оконным и сеточным разбиениям изображения. Модель принимает изображения размером 384 × 384 и выдаёт классы изображённых объектов. В ней около 119,7 млн параметров; также её можно использовать как основу для извлечения признаков и эмбеддингов изображений. Модель предназначена для задач компьютерного зрения общего назначения, а не для отдельной прикладной области. Распространяется по лицензии Apache-2.0.

maxvit_rmlp_nano_rw_256.sw_in1k — модель классификации изображений из библиотеки timm, обученная Ross Wightman на ImageNet-1k. Она предназначена для распознавания объектов и сцен на изображениях, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Архитектура MaxViT сочетает блоки свёрточной обработки MBConv и внимание трансформера по окнам и сетке; вариант использует MLP Log-CPB для относительного позиционного смещения. В модели 15,5 млн параметров, расчётный размер входного изображения — 256 × 256 пикселей. Доступны веса PyTorch и safetensors; библиотека — timm. Модель обучена на ImageNet-1k и предназначена для задач общего распознавания изображений. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Результаты зависят от качества и предметной области изображений; для специализированных классов может потребоваться адаптация.

MaxViT Small TF 384 — модель классификации изображений и извлечения признаков из семейства MaxViT, разработанная авторами оригинальной работы. Исходные веса обучены в TensorFlow на ImageNet-1k, а в PyTorch их перенёс Ross Wightman; модель доступна через timm. Архитектура сочетает блоки MBConv с двумя видами внимания: оконным и сеточным. Вариант рассчитан на изображения размером 384 × 384 и содержит около 69 млн параметров. Его можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель предназначена для задач компьютерного зрения общего назначения. Карточка не приводит специальных ограничений качества или поддерживаемых языков. Лицензия — Apache-2.0.

NaFlexViT Base Patch16 PARFAC GAP — модель классификации изображений семейства PyTorch Image Models (timm), разработанная Россом Уайтманом. Это Vision Transformer с патчами 16×16, факторизованными позиционными эмбеддингами, сохраняющими пропорции изображения, и глобальным усреднением признаков. Модель обучена на ImageNet-1k в течение 300 эпох; размер варианта — около 86,5 млн параметров. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Обучение поддерживало разные разрешения и длины последовательности, сохраняя исходные пропорции изображений; для оценки указана длина последовательности 576. В сравнении из карточки точность Top-1 составляет 83,63%, Top-5 — 96,41%. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги в соответствующих сценариях использования. Лицензия — Apache-2.0. Карточка не описывает ограничения по доменам изображений или гарантии качества вне ImageNet-1k.

nf_resnet50.ra2_in1k — модель классификации изображений семейства NFResNet, обученная Россом Уайтманом с помощью библиотеки timm. Это вариант ResNet с предварительной активацией без слоёв нормализации: вместо Batch Normalization применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и около нелинейностей. Модель обучена на ImageNet-1k и может использоваться для классификации изображений, извлечения карт признаков и получения эмбеддингов. Она содержит 25,6 млн параметров, имеет вычислительную сложность 5,5 GMACs; размер изображения при обучении — 256 × 256 пикселей, при тестировании — 288 × 288. Веса доступны в форматах PyTorch и safetensors, библиотека модели — timm. Модель подходит как готовый классификатор изображений и как визуальная основа для других задач компьютерного зрения. Карточка не сообщает метрики качества или перечень языков, поскольку модель работает с изображениями. Лицензия — Apache-2.0.

fairewholesale/product-taxonomy-llava-hf-v1.6-13b — модель LLaVA в формате Hugging Face, полученная из actuaryzhang/product-taxonomy-llava-v1.6-13b. Репозиторий создан преобразованием модели в формат Hugging Face с помощью изменённого скрипта конвертации; доступны веса safetensors и архитектура LlavaForConditionalGeneration на базе Transformers. Модель предназначена для диалоговой работы с изображениями и текстом. Хотя она обозначена как v1.6 (LLaVA-NeXT), в ней отсутствуют некоторые улучшения обработки изображений из LLaVA-NeXT: в частности, не используется улучшенный механизм обработки изображений, а тензор image_newline отсутствует. Карточка не сообщает лицензию и точное число параметров.

timm/pvt_v2_b3.in1k — модель классификации изображений на основе PVT-v2 (Pyramid Vision Transformer), обученная авторами статьи на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone: из неё можно извлекать карты признаков и эмбеддинги изображений. Модель содержит 45,2 млн параметров; для классификации указано разрешение изображения 224 × 224 пикселя, вычислительная сложность — 6,9 GMACs. Модель подходит для распознавания объектов и категорий на изображениях, а также как основа для компьютерного зрения и извлечения визуальных признаков. Репозиторий использует библиотеку timm и содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. В карточке не заявлена поддержка текстового ввода или генерации.

RegNetY-128GF — сверточная модель классификации изображений из библиотеки timm. Она предварительно обучена авторами исследования SEER с помощью самообучения SwAV на 2 млрд случайных интернет-изображений, а затем дообучена на ImageNet-1k. Модель содержит около 644,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель определяет классы объектов на изображении; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В README приведён результат top-1 88,228% для модели с близким обозначением regnety_1280.swag_ft_in1k, но этот результат не следует считать оценкой данной SEER-модели. Лицензия SEER некоммерческая и ограничивает использование и распространение.

timm/regnety_160.swag_lc_in1k — модель классификации изображений на архитектуре RegNetY-16GF, опубликованная в библиотеке timm. Она предварительно обучена методом SWAG на примерно 3,6 млрд изображений Instagram с хештегами, а линейный классификатор настроен авторами работ на ImageNet-1k. Модель содержит около 83,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для распознавания объектов и категорий на изображениях, извлечения карт признаков и получения векторных представлений изображений. В таблице результатов для варианта regnety_160.swag_ft_in1k приведены точности top-1 86,024% и top-5 98,05% при размере изображения 384 пикселя; эти показатели относятся к варианту с суффиксом swag_ft, а не напрямую к swag_lc. Веса распространяются по лицензии CC-BY-NC-4.0, которая запрещает коммерческое использование.

regnetz_d32.ra3_in1k — модель классификации изображений семейства RegNetZ, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она также подходит как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Архитектура реализована через BYOBNet в timm: использует инвертированный bottleneck, трёхслойный ступенчатый stem без pooling и ширину групп 32. Модель содержит около 27,6 млн параметров и требует около 6 млрд GMACs; указанный размер изображений при обучении — 256×256, при тестировании — 320×320. Доступны веса PyTorch и safetensors. Модель предназначена для распознавания объектов на изображениях и извлечения визуальных признаков. Карточка не описывает поддержку языковых или иных модальностей. Лицензия — Apache-2.0.

RepViT m0.9 distill — модель классификации изображений и извлечения визуальных признаков из семейства RepViT. Она обучена авторами статьи на ImageNet-1k с дистилляцией. Модель содержит 5,5 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 0,8 GMACs. Модель предназначена для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Компактный размер делает её подходящей для визуальных задач, где важны небольшие вычислительные затраты. Репозиторий предоставляет веса PyTorch и Safetensors для библиотеки timm. Лицензия — Apache-2.0.

Res2Net-101 26w 4s — модель классификации изображений и извлечения признаков из семейства Res2Net, опубликованная авторами статьи и обученная на ImageNet-1k. Архитектура Multi-Scale ResNet обрабатывает изображение через многомасштабные признаки; модель содержит 45,2 млн параметров и рассчитана на вход размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и построения эмбеддингов изображений. Её можно использовать как визуальный backbone в системах компьютерного зрения. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия в метаданных не определена, поэтому условия использования следует уточнить у разработчика.

ResNet10T C3 In1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back C. Архитектура использует ReLU, ступенчатый ствол из трёх свёрток 3×3 с пулингом и короткие соединения с понижением размерности через average pooling и свёртку 1×1. В модели около 5,4 млн параметров и 0,7 GMACs. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов. При обучении применялся размер изображения 176×176, при тестировании — 224×224. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка не указывает поддержку языков: модель работает с изображениями и выдаёт классы, поэтому естественные языки ей не требуются.

ResNet-152 A2 — сверточная модель классификации изображений из библиотеки timm, разработанная командой timm. Она обучена на ImageNet-1k по рецепту ResNet Strikes Back A2 и может использоваться как классификатор или как основа для извлечения карт признаков и эмбеддингов изображений. Архитектура включает активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 в остаточных связях; модель содержит 60,2 млн параметров и требует изображение 288×288 пикселей при тестировании. Модель предназначена для распознавания объектов из классов ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия Apache-2.0 допускает использование и модификацию на её условиях. Карточка приводит метрики вычислительной стоимости, но не содержит в доступном фрагменте итоговых показателей качества именно этой модели.

Xenova/resnet-50 — версия модели ResNet-50, разработанной Microsoft, с весами в формате ONNX для использования в библиотеке Transformers.js. Репозиторий предназначен для запуска модели в JavaScript- и веб-приложениях, включая сценарии, где требуется обработка моделей непосредственно в браузере или другой ONNX-совместимой среде. Основная задача модели — классификация изображений. Она может применяться для определения объектов и категорий на изображениях через pipeline image-classification. Модель является компьютерной зрительной моделью с одной модальностью — изображениями; сведения о поддерживаемых языках, размере контекста, точном числе параметров и дополнительных режимах работы в README не указаны. Ключевое преимущество — готовые ONNX-веса, совместимые с Transformers.js, что упрощает интеграцию ResNet-50 в веб-среду без использования исходного формата весов. Ограничения включают ориентацию преимущественно на классификацию изображений и отсутствие в README подробностей о точности, наборе классов, производительности и требованиях к ресурсам. Лицензия в предоставленных данных не указана.

ResNeXt-50 32x4d A1 — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по улучшенному рецепту ResNet Strikes Back A1. Архитектура использует остаточные блоки с групповыми свёртками 3×3, свёртками 1×1 для обходных связей и ReLU; модель содержит около 25 млн параметров и требует примерно 4,3 GMACs на изображение. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. В карточке указаны размеры изображений 224×224 для обучения и 288×288 для оценки. Обучение проводилось на ImageNet-1k с усиленной аугментацией, stochastic depth и dropout, оптимизатором LAMB и расписанием скорости обучения с прогревом. Веса опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Она классифицирует изображения по категориям ImageNet-1k; качество на других наборах данных и в специализированных областях может отличаться.

RF-DETR Seg Large — модель сегментации отдельных объектов от Roboflow, относящаяся к семейству real-time detection transformer RF-DETR. Она построена на ViT-энкодере в стиле DINOv2 with registers с чередованием оконного и полного внимания, многомасштабном проекторе и декодере типа Deformable DETR с головкой предсказания масок. Модель обрабатывает изображение и для каждого обнаруженного объекта выдаёт маску, ограничивающую рамку и оценку класса. Чекпойнт обучен для 80 категорий объектов COCO 2017 и предназначен для сегментации экземпляров на изображениях, в том числе в сценариях компьютерного зрения, где нужно локализовать и разделить объекты по отдельности. Модель доступна в формате safetensors и интегрирована с библиотекой Transformers. Лицензия — Apache 2.0. Качество и область применения связаны с метками COCO: модель ориентирована на распознавание объектов из этого набора категорий, поэтому результаты для иных классов или специфичных предметных областей могут быть ограничены. В README не приведены численные показатели качества или скорости для этого чекпойнта.

Roboflow RF-DETR Seg Xxlarge — модель сегментации экземпляров из семейства RF-DETR, разработанного на основе исследований по real-time detection transformers и интегрированного в библиотеку Transformers. Она принимает изображение и предсказывает отдельные маски объектов, ограничивающие рамки и оценки классов для 80 категорий COCO 2017. Архитектура сочетает визуальный ViT-backbone в стиле DINOv2 with registers с чередованием оконного и полноформатного внимания, многомасштабный проектор признаков и декодер Deformable DETR с головой предсказания масок. Модель предназначена для сегментации объектов на изображениях; заявленное семейство ориентировано на работу в реальном времени, однако скорость именно этой версии в карточке не приведена. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Обучение описано для меток экземплярной сегментации COCO 2017, поэтому применимость к другим наборам категорий и предметным областям зависит от соответствия обучающим классам или дополнительной настройки.

onnx-community/rfdetr_small-ONNX — модель обнаружения объектов семейства RF-DETR, опубликованная сообществом onnx-community. Репозиторий содержит модель в формате ONNX для использования через Transformers.js, включая JavaScript-приложения. Модель предназначена для обнаружения объектов на изображениях и подходит для сценариев, где требуется находить и локализовать объекты. Карточка не описывает конкретные классы объектов, точность, размер модели или поддерживаемые языки. Лицензия — Apache-2.0.

Segment Anything Model (SAM) ViT-L — модель компьютерного зрения от Meta для выделения объектов на изображениях. Она использует vision transformer ViT-L в кодировщике изображений, а также кодировщики подсказок и декодер масок; модель обучена на 11 млн изображений и 1,1 млрд масок. SAM принимает изображение и может строить маски по точкам, ограничивающим рамкам или входной маске. В автоматическом режиме она генерирует маски для объектов на изображении, используя сетку точек. Модель рассчитана на перенос без дополнительного обучения на новые распределения изображений и задачи сегментации. Текстовые подсказки официальной реализацией не поддерживаются. Модель работает с изображениями и выдаёт маски сегментации; язык интерфейса к этим задачам неприменим. Лицензия — Apache-2.0.

sehalonet33ts.ra2_in1k — модель компьютерного зрения для классификации изображений, реализованная в библиотеке timm и обученная Россом Уайтманом на ImageNet-1k. Это архитектура HaloNet на основе ResNet с канальным вниманием Squeeze-and-Excitation; реализация использует гибкую систему BYOBNet из timm. В модели 13,7 млн параметров, вычислительная сложность составляет 3,6 GMAC, рекомендуемый размер изображения — 256 × 256 пикселей. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В обучении применялась схема RandAugment RA2, усреднение весов EMA и оптимизатор RMSProp. Для использования доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. README отмечает, что конфигурация не следует строго конкретной научной работе: она настроена на разумное время обучения и сниженное число блоков self-attention. Модель обучена на ImageNet-1k, поэтому качество на категориях и типах изображений вне этого набора может отличаться; языковой ввод и текстовые ответы не предусмотрены.