IV.1Ритейл, электронная коммерция и fashion-tech

Это два облегчённых детектора объектов Ultralytics YOLO11n и YOLO11s, обученных автором репозитория на датасете SKU-110K для поиска товаров на полках и в фотографиях. Модели принимают изображения размером 640 × 640 и находят объекты одного общего класса, без определения категории товара или бренда. В репозитории есть веса PyTorch и экспорты ONNX с фиксированным входом [1, 3, 640, 640]. Модель подходит для прототипов визуального поиска, анализа полок и экспериментов с плотным обнаружением объектов. На тестовой части SKU-110K YOLO11n показала mAP50 0,906, а YOLO11s — 0,927; скорость инференса в README указана как 0,9 и 4,3 мс на изображение соответственно. Эти результаты относятся к тестовому набору SKU-110K. Автор предупреждает, что веса предназначены для исследований и разработок и не проверены для промышленного, критически важного или автоматизированного бизнес-применения. Возможны пропуски и лишние рамки на изображениях, отличающихся от розничных полок; перед применением модель следует проверить на целевых данных. Указана лицензия other, а условия использования должны соответствовать условиям исходного датасета SKU-110K.

SlimSAM-77-uniform — сжатая версия Segment Anything Model (SAM), представленная в репозитории Hugging Face nielsr. Это модель компьютерного зрения на архитектуре SAM с кодировщиком изображений на основе ViT, кодировщиком подсказок и декодером масок. Согласно карточке, версия SlimSAM содержит 5,7 млн параметров и формирует маски объектов по изображению и подсказкам: точкам, ограничивающим рамкам или маске. Также она поддерживает автоматическую генерацию масок без заданной цели, используя сетку из 1024 точек. Модель предназначена для сегментации объектов на изображениях, в том числе на устройствах с ограниченными вычислительными ресурсами. Текстовые подсказки официальной реализацией не поддерживаются. Модель использует формат safetensors и распространяется по лицензии Apache-2.0.

Swin Transformer V2 Large — модель компьютерного зрения, выпущенная Microsoft и представленная в работе Liu и соавторов. Она предварительно обучена на ImageNet-21k для классификации изображений с разрешением 192×192; число параметров составляет 33 млн. Архитектура Swin V2 строит иерархические карты признаков, объединяя патчи на глубоких слоях и выполняя локальное оконное внимание, поэтому вычислительная сложность по размеру изображения растёт линейно. Модель предназначена прежде всего для классификации изображений по классам ImageNet. Её также можно использовать как основу для задач распознавания с плотной разметкой, адаптируя модель под нужную задачу. В Swin V2 применяются нормализация после остаточного блока с косинусным вниманием для стабильного обучения и непрерывное смещение позиций с логарифмической шкалой для переноса на входы высокого разрешения. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

SwinV2 Large — модель компьютерного зрения на архитектуре Swin Transformer V2, разработанная авторами соответствующей научной работы и опубликованная в библиотеке timm. Она предварительно обучена на ImageNet-22k, а затем дообучена для классификации изображений на ImageNet-1k. Модель также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель содержит 196,7 млн параметров, выполняет 47,8 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Весовые файлы доступны в форматах PyTorch и Safetensors; лицензия — MIT. Высокая вычислительная сложность может ограничивать применение на устройствах с небольшими ресурсами. Карточка не приводит сведения о поддерживаемых классах помимо обучения на ImageNet-1k.

tf_efficientnet_b8.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы работ на ImageNet-1k с использованием AdvProp, метода обучения на состязательных примерах; затем Ross Wightman перенёс веса в PyTorch. Модель содержит около 87,4 млн параметров и рассчитана на изображения размером 672 × 672 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. По данным карточки, вычислительная нагрузка составляет 63,5 GMACs. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang, Xiaoxue Chen и их соавторами. Она принимает одно изображение и создаёт 3D-модель с геометрией и PBR-материалами, включая прозрачность и полупрозрачность. Модель построена на трансформере с flow matching и разреженном 3D VAE, использующем структуру O-Voxel; размер модели — 4 млрд параметров. Она поддерживает сложную топологию, в том числе открытые поверхности и неманифолдные сетки, а заявленное разрешение генерации достигает 1536³. Для запуска требуется Linux и NVIDIA GPU с как минимум 24 ГБ памяти; README подтверждает проверку на A100 и H100. Сгенерированные сетки иногда содержат небольшие отверстия и топологические разрывы, поэтому для задач вроде 3D-печати может понадобиться постобработка. Модель не дообучена для заданных эстетических предпочтений. Лицензия — MIT.

Модель lldois/v26_v21_product_rec_rebalance_lr22e6_ep032 — дообученная версия lldois/v21_v15_user_repair_rec_fast_lr4e6_ep055 на наборе данных exp_v21_product_rec_rebalance. Это плотная авторегрессионная языковая модель семейства Qwen3 с 532,8 млн параметров, предназначенная для генерации текста в диалоговом режиме. Контекст составляет до 40 960 токенов; модель использует библиотеку Transformers и веса в формате safetensors. По названию набора данных модель, вероятно, связана с рекомендацией товаров и балансировкой рекомендаций, однако README не описывает её назначение, качество или предполагаемые сценарии применения. Указана лицензия other, поэтому условия использования следует уточнить по карточке или у автора.

vit_base_patch16_clip_224.openai_ft_in1k — модель классификации изображений на базе Vision Transformer (ViT), опубликованная в библиотеке timm. Она предварительно обучена OpenAI на парах изображение–текст WIT-400M с использованием CLIP, а затем дообучена в timm на ImageNet-1k. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, а также как визуальный backbone и для получения эмбеддингов изображений. Обучение на парах изображение–текст даёт ей визуальные представления, пригодные для переноса на связанные задачи. Это модель для обработки изображений: текстовые промпты не указаны как входной режим данного чекпойнта. Репозиторий содержит веса PyTorch в формате safetensors; модель доступна по лицензии Apache-2.0. Карточка не описывает ограничения точности за пределами ImageNet-1k и не приводит оценки на других наборах данных.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследований на ImageNet-1k с дополнительной аугментацией и регуляризацией в JAX; Ross Wightman перенёс веса в PyTorch. Модель доступна в форматах PyTorch и Safetensors, лицензия — Apache 2.0. Модель содержит 88,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Её можно использовать для классификации изображений по категориям ImageNet-1k и получения эмбеддингов для последующих задач компьютерного зрения. В README не приведены сведения о поддержке естественных языков; модель работает с изображениями и выдаёт классовые предсказания либо визуальные признаки.

vit_betwixt_patch16_rope_reg4_gap_256.sbb_in1k — модель классификации изображений на основе Vision Transformer из библиотеки timm, обученная авторами timm на ImageNet-1k. Вариант архитектуры сочетает патчи 16×16, rotary position embeddings (RoPE), четыре регистрационных токена и глобальное усреднение признаков. Модель содержит около 60,2 млн параметров и рассчитана на изображения размером 256×256; также её можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предназначена для классификации изображений и получения визуальных признаков в системах компьютерного зрения. В README приведены метрики для близкого варианта с суффиксом in12k_ft_in1k, поэтому они не подтверждают качество именно этого чекпойнта. Лицензия — MIT.

ROPE-ViT — модель семейства Vision Transformer для классификации изображений и извлечения признаков. Эта версия с архитектурой ViT-Small, патчами 16×16 и смешанным rotary position embedding с обучаемыми частотами создана авторами работы и обучена на ImageNet-1k. В модели около 22 млн параметров; исходное разрешение изображений — 224×224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. В карточке описана способность семейства ROPE-ViT сохранять или повышать точность при проверке на разрешении 320×320, однако приведённые численные результаты относятся к вариантам ViT-Large и не подтверждают конкретную точность этой версии ViT-Small. Модель принимает изображения и выдаёт предсказанные классы, признаки или эмбеддинги в зависимости от используемого режима. Она предназначена для изображений, а не для понимания текста или других модальностей. Лицензия — Apache-2.0.

timm/vit_tiny_patch16_dinov3_qkvb.eupe_lvd1689m — визуальный энкодер на архитектуре Vision Transformer, разработанный для извлечения признаков изображений. Модель EUPE ViT-T содержит около 5,5 млн параметров и обрабатывает изображения размером 256 × 256 пикселей. Модель обучена методом Efficient Universal Perception Encoder на датасете LVD-1689M с использованием прокси-преподавателя, полученного дистилляцией нескольких фундаментальных энкодеров компьютерного зрения. Она выдаёт класс-токен, регистровые и патч-токены; глобальное усреднение включено по умолчанию в timm, а для объединения через класс-токен нужно выбрать соответствующую настройку. Подходит для получения эмбеддингов и карт признаков, а также как визуальная основа для классификации и других задач компьютерного зрения. Карточка приводит результаты сравнений на наборах для классификации, визуальных вопросов и пространственных задач, но не описывает отдельную поддержку текстового ввода. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

YOLOE-26S-seg — компактная модель семейства YOLOE-26, опубликованная в репозитории openvision. Она сочетает архитектуру YOLO26 с открытым словарём классов YOLOE и предназначена для обнаружения объектов и сегментации по текстовым или визуальным подсказкам, а также для инференса без подсказок. Модель рассчитана на обработку изображений в реальном времени, в том числе на периферийных устройствах и в динамичных условиях, где нужные категории объектов меняются. В модели 13,1 млн параметров; заявленный размер входа — 640×640 пикселей. Архитектура YOLO26 использует сквозной дизайн без NMS. В README приведены метрики mAP на minival, однако без описания набора данных и условий оценки их интерпретация ограничена. Репозиторий содержит веса PyTorch, лицензия — AGPL-3.0.

BEiT Large patch16 512 — модель классификации изображений и визуальная backbone-модель из библиотеки timm. Она обучалась на ImageNet-22k с помощью самоконтролируемого маскированного моделирования изображений (MIM), используя визуальный токенизатор DALL-E dVAE, а затем дообучалась на ImageNet-22k и ImageNet-1k. Модель содержит 305,7 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. Модель предназначена для классификации изображений по классам ImageNet, а также может использоваться как основа для извлечения визуальных признаков и эмбеддингов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

CAFormer S36 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer, опубликованная авторами статьи и обученная на ImageNet-1k. Она принимает изображение размером 384 × 384 пикселя и предназначена для отнесения объектов к классам ImageNet, извлечения карт признаков и создания эмбеддингов изображений. Модель содержит 39,3 млн параметров; вычислительная сложность составляет 26,1 GMACs. Модель можно применять как готовый классификатор или как визуальную основу для последующих задач компьютерного зрения. Доступны веса PyTorch и safetensors, а лицензия — Apache-2.0. Карточка не описывает поддержку текстового ввода или генерации изображений; качество классификации вне ImageNet-1k отдельно не охарактеризовано.

dpk-sethiii/catalogiq-biencoder — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанный для семантического поиска по текстам, связанным с товарами. Модель кодирует предложения и абзацы в плотные векторы размерности 384; архитектура включает энкодер BERT, усредняющий пулинг и нормализацию. Для сравнения векторов можно использовать косинусное сходство. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; README сообщает максимальную длину последовательности 128 токенов. Модель обучалась на 36 парах описаний наушников и предназначена для извлечения релевантных текстов, например поиска похожих товарных карточек. README приводит оценку cosine accuracy 0,8 на dev-наборе, однако малый объём обучающих данных и узкая товарная тематика ограничивают перенос результатов на другие области. Поддерживается текстовый ввод; лицензия в предоставленных данных не указана.

ConvFormer B36 — модель классификации изображений и извлечения признаков, обученная авторами статьи на ImageNet-1k. Это архитектура ConvFormer из семейства MetaFormer; модель содержит около 99,9 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Её можно использовать для классификации объектов, извлечения карт признаков и получения векторных представлений изображений. Модель предназначена для задач компьютерного зрения общего назначения, в частности для классификации изображений из категорий ImageNet-1k и построения визуальных эмбеддингов. Репозиторий предоставляет веса PyTorch и SafeTensors. Лицензия — Apache-2.0.

ConvNeXT Large — сверточная модель компьютерного зрения, разработанная авторами ConvNeXT и впервые опубликованная в репозитории Hugging Face. Модель обучена на ImageNet-22k для классификации изображений при разрешении 224×224 пикселя; архитектура ConvNeXT модернизирует ResNet с оглядкой на дизайн Swin Transformer и использует свертки вместо трансформерных блоков. Модель предназначена для отнесения изображения к одному из классов ImageNet и может служить основой для поиска версий, дообученных под другие задачи. Она принимает изображения и выдает метки классов. Репозиторий предоставляет веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0.

ConvNext-Tiny — модель компьютерного зрения, разработанная Qualcomm и основанная на реализации ConvNeXt-Tiny из torchvision. Она предназначена прежде всего для классификации изображений из набора данных ImageNet, а также может использоваться как backbone для более сложных специализированных моделей. Модель принимает изображения с разрешением 224×224 пикселя и работает с визуальной модальностью. Модель содержит около 28,6 млн параметров; размер версии с плавающей точностью составляет примерно 109 МБ, а варианта w8a16 — 28,9 МБ. Репозиторий включает предварительно экспортированные варианты ONNX, QNN_DLC и TFLITE с различной точностью, оптимизированные для устройств Qualcomm и выполнения на NPU. Также поддерживается экспорт с пользовательскими весами, формами входных данных, целевым устройством и конфигурацией runtime через библиотеку Qualcomm AI Hub Models. Сильными сторонами модели являются компактный размер, возможность квантованных вариантов и оптимизация для широкого спектра мобильных и периферийных чипсетов Qualcomm, включая Snapdragon и Dragonwing. Скорость и потребление памяти зависят от конкретного устройства, runtime и точности. Модель ориентирована на задачи классификации изображений и не предназначена для текста, аудио или мультимодальных сценариев без дополнительной адаптации. Лицензия — BSD 3-Clause.

ConvNeXt-V2 Femto — сверточная модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения визуальных признаков. Модель предварительно обучена методом FCMAE и дообучена на ImageNet-1k; в ней около 5,2 млн параметров. Модель предназначена для присвоения изображениям классов, а также может использоваться как основа для извлечения карт признаков и эмбеддингов. Указанный размер изображения при обучении — 224 × 224 пикселя, при проверке — 288 × 288. В метриках README для варианта модели приведена точность top-1 82,9% и top-5 96,8% на ImageNet-1k. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Результаты классификации ограничены набором классов, на которых обучена модель; для иных предметных областей может потребоваться адаптация.

Карточка модели Songmh/convnextv2_huge.fcmae_ft_in22k_in1k_384 на Hugging Face совпадает с карточкой timm/convnextv2_huge.fcmae_ft_in22k_in1k_384, поэтому описание составлено по ней. ConvNeXt-V2 Huge — модель классификации изображений и извлечения визуальных признаков из семейства ConvNeXt-V2, опубликованная в timm. Она предварительно обучена методом FCMAE и затем дообучена на ImageNet-22k и ImageNet-1k. Модель содержит около 660,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации изображений по категориям ImageNet, а также для извлечения карт признаков и эмбеддингов, которые можно использовать в компьютерном зрении. В таблице результатов README указана точность top-1 88,668% и top-5 98,738% на ImageNet-1k. Это крупная вычислительно требовательная модель; карточка не описывает её как мультимодальную или предназначенную для обработки текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Для коммерческого применения требуется проверить условия лицензии и получить необходимые разрешения.

jozhang97/deta-swin-large — модель обнаружения объектов DETA, разработанная Джеффри Оуянг-Чжаном, Джанг Хён Чо, Синьи Чжоу и Филиппом Крэненбюлем. Она основана на работе «NMS Strikes Back» и возвращает назначение IoU и подавление немаксимумов (NMS) в трансформерные детекторы. Модель предназначена для обнаружения объектов на изображениях. В карточке указана конфигурация Swin-Large; DETA обучается и работает с сопоставимой скоростью с Deformable-DETR и сходится быстрее. Авторы сообщают о результате 50,2 mAP за 12 эпох на COCO. Это модель компьютерного зрения на архитектуре DETA; в репозитории представлены веса PyTorch и safetensors. Лицензия в доступных данных не указана.

Это дообученная модель обнаружения объектов на основе DETR с ResNet-50, разработанная автором репозитория nsugianto на базе facebook/detr-resnet-50. Она принимает изображения и определяет на них объекты, выдавая классы и ограничивающие рамки. Модель предназначена для сценариев компьютерного зрения, где нужно находить и локализовать объекты на изображениях. Модель опубликована в формате safetensors по лицензии Apache-2.0. В карточке указано дообучение на наборе данных, который не раскрыт; подробности обучения, оценки и специальные ограничения не приведены.

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

efficientformerv2_l.snap_dist_in1k — модель классификации изображений семейства EfficientFormer-V2, опубликованная в репозитории timm и предназначенная для классификации изображений и извлечения визуальных признаков. Она предварительно обучена на ImageNet-1k с дистилляцией и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит около 26,3 млн параметров и требует 2,6 GMACs на обработку изображения. В карточке приведён результат top-1 83,628% и top-5 96,54% на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors; репозиторий использует библиотеку timm. Лицензия — Apache-2.0. Карточка не указывает языковые возможности: модель работает с изображениями и выдаёт классы или визуальные признаки.

EfficientViT L2 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанная авторами соответствующей научной работы и обученная на ImageNet-1k. Вариант r256 рассчитан на входные изображения размером 256 × 256 пикселей и содержит 63,7 млн параметров; вычислительная сложность составляет 9,1 GMACs. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу визуального конвейера или для анализа изображений в приложениях компьютерного зрения. Архитектура EfficientViT включает механизм многошкального линейного внимания, ориентированный на обработку изображений высокого разрешения. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги. Обучение на ImageNet-1k задаёт область её распознавания; качество на иных наборах данных может отличаться. Лицензия — Apache-2.0.

Fibo 1.5 — модель генерации изображений от Bria AI, полученная дистилляцией базовой FIBO. Она рассчитана на профессиональные сценарии, где важно точно управлять композицией, освещением, цветом и параметрами камеры с помощью структурированных JSON-промптов. Семейство FIBO обучено на длинных структурированных описаниях и насчитывает 8 млрд параметров. Fibo 1.5 использует дистилляцию DMD и DMD-R: изображения генерируются за 4–6 шагов без classifier-free guidance. Модель поддерживает генерацию и итеративное уточнение изображений; для сценариев с исходным изображением README описывает использование VLM, которая формирует структурированный промпт. Модель работает в экосистеме Diffusers и принимает английские промпты. Репозиторий распространяется для некоммерческого использования по специальной лицензии; для коммерческого применения Bria предлагает отдельные условия. Чекпойнт оптимизирован для режима с малым числом шагов и не предназначен для дообучения. README не приводит ограничений по контексту или подробных количественных результатов оценки.

FlexiViT Small 1200 эпох на ImageNet-1k — модель классификации изображений и визуальный backbone. Её обучили авторы статьи FlexiViT в JAX, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней 22,1 млн параметров, она рассчитана на изображения размером 240 × 240 пикселей и имеет вычислительную стоимость 4,9 GMACs. Модель предназначена для классификации изображений по 1000 классам ImageNet-1k и может использоваться как основа для извлечения признаков и эмбеддингов изображений. FlexiViT исследует использование одной модели для разных размеров патчей, однако в этой карточке указан размер изображения 240 × 240. Лицензия репозитория — Apache-2.0. Языковой ввод модели не требуется.

Food-or-Not-SigLIP2 — модель классификации изображений, созданная PrithivMLmods на основе дообучения визуально-языкового энкодера Google SigLIP2 Base Patch16-224. Она относит изображение к одному из двух классов: food или not-food. Модель построена на архитектуре SiglipForImageClassification и предназначена для распознавания пищевых продуктов на изображениях. Её можно применять в приложениях для питания, каталогах розничной торговли и электронной коммерции, модерации контента и сортировке наборов изображений. В отчёте README указана точность 87,74% на тестовой выборке из 8000 примеров, поровну распределённых между двумя классами. Модель принимает изображения и выдаёт метку класса. Лицензия — Apache-2.0.

Модель abhshkp/footfall-analysis-vit-stage1 — дообученный Vision Transformer для бинарной классификации изображений людей по категориям female и male. Разработчик в карточке не назван. Модель основана на google/vit-base-patch16-224: представление токена [CLS] передаётся линейному классификатору, который выдаёт два логита. Веса предназначены для обработки обрезанных изображений людей, например, после детектора и трекера объектов, в системах анализа потока посетителей и розничной аналитики. Модель подходит для получения агрегированной статистики о распределении предсказанных категорий в магазинах, общественных пространствах и местах проведения мероприятий. Она принимает изображения и выдаёт метку класса. Лицензия — Apache 2.0. Классификация ограничена двумя категориями и не отражает всего разнообразия гендерных идентичностей. Качество может снижаться при низком разрешении, размытии, сильных ракурсах и перекрытиях; возможны различия в точности для людей разного возраста и этнической принадлежности, а также при разном освещении.