IV.1Ритейл, электронная коммерция и fashion-tech

facebook/hiera-large-224-hf — контрольная точка визуального трансформера Hiera, разработанного Meta. Архитектура Hiera имеет иерархическое представление изображения и предназначена для извлечения признаков; в карточке также указаны классификация изображений и masked image modeling как возможные сценарии применения. Эта версия обучена на ImageNet-1K и рассчитана на входные изображения размером 224 пикселя; число параметров — 74,3 млн. Модель можно использовать как визуальный энкодер для получения признаков изображений в задачах компьютерного зрения. В README архитектура описана как более простая и эффективная альтернатива иерархическим визуальным трансформерам со специализированными модулями. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers. Лицензия CC BY-NC 4.0 допускает использование с ограничениями, включая запрет коммерческого применения.

timm/hiera_small_abswin_256.sbb2_pd_e200_in12k — модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная в библиотеке PyTorch Image Models (timm). Её обучил Ross Wightman на ImageNet-12k по рецепту из работы «Searching for better ViT baselines». Модель содержит 42,7 млн параметров, использует входное разрешение 256 × 256 и имеет вычислительную сложность 7,7 GMACs. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. В обучении применялись маскирование патчей с использованием блоков Hiera и обучаемые масштабные коэффициенты слоёв. Позиционные эмбеддинги с абсолютными координатами можно адаптировать к другим разрешениям. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель обучена на ImageNet-12k; показатели качества для этой конкретной версии в карточке не приведены.

hrnet_w18_small.ms_in1k — модель семейства HRNet для классификации изображений и извлечения визуальных признаков. Её разработали авторы работы Deep High-Resolution Representation Learning for Visual Recognition и обучили на ImageNet-1k. Модель содержит 13,2 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 1,6 GMACs. Модель подходит для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов, а также как компактная основа для компьютерного зрения. Репозиторий предоставляет веса PyTorch в формате Safetensors; модель распространяется по лицензии MIT.

Карточка модели OpenGVLab/internimage_b_1k_224 на Hugging Face совпадает с карточкой OpenGVLab/internimage_t_1k_224, поэтому описание составлено по ней. 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.

Карточка модели OpenGVLab/internimage_l_22k_384 на Hugging Face совпадает с карточкой OpenGVLab/internimage_t_1k_224, поэтому описание составлено по ней. 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.

Карточка модели OpenGVLab/internimage_l_22kto1k_384 на Hugging Face совпадает с карточкой OpenGVLab/internimage_t_1k_224, поэтому описание составлено по ней. 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.

MambaVision-B-1K — модель NVIDIA для классификации изображений на основе архитектуры MambaVision. Репозиторий содержит веса в формате Safetensors; модель опубликована под лицензией Apache 2.0. Модель предназначена для определения классов объектов и сцен на изображениях. Карточка репозитория содержит только краткое описание, поэтому дополнительные характеристики и сценарии применения по ней установить нельзя.

Mask2Former-Swin-Small — модель компьютерного зрения семейства Mask2Former, выпущенная в репозитории Facebook и обученная на COCO для сегментации объектов. Это компактная версия с backbone Swin; модель предсказывает маски и соответствующие им классы объектов на изображении. Этот чекпойнт предназначен для instance segmentation: выделения отдельных объектов и определения их классов. Архитектура Mask2Former использует многомасштабный декодер пикселей с деформируемым вниманием и Transformer-декодер с masked attention. Семейство Mask2Former также поддерживает семантическую и паноптическую сегментацию, но данный чекпойнт предназначен для сегментации экземпляров. Модель принимает изображения и выдаёт маски сегментации с метками классов. Она обучена на COCO, поэтому её назначение ограничено задачами распознавания объектов, представленными в этом наборе данных. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

MaskFormer — модель компьютерного зрения на архитектуре MaskFormer с базовым Swin-бэкбоном, обученная командой разработчиков MaskFormer на COCO для паноптической сегментации. Она предсказывает набор масок и соответствующих им меток, объединяя единым подходом задачи сегментации объектов, семантической и паноптической сегментации. Этот чекпойнт предназначен для семантической сегментации изображений и может использоваться для выделения областей и распознавания классов объектов в сценах. Модель опубликована в форматах PyTorch и Safetensors и доступна через Transformers. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверить с лицензией репозитория. Карточка указывает COCO как обучающий набор данных; сведений о специальных ограничениях качества или поддержке языков для этой модели нет.

MaxxViT-V2 RMLP Base RW 384 — модель классификации изображений из библиотеки timm, обученная Ross Wightman. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k для распознавания объектов на изображениях и извлечения визуальных признаков. Архитектура MaxxViT-V2 сочетает блоки ConvNeXt и grid self-attention; вариант использует MLP Log-CPB для позиционного смещения. Модель содержит 116,1 млн параметров, рассчитана на изображения размером 384 × 384 пикселя и требует значительных вычислительных ресурсов. Веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и как визуальная основа для извлечения признаков. Карточка сообщает метрики ImageNet для семейства моделей, но не приводит здесь точные результаты этого варианта. Лицензия — Apache-2.0.

ResNet61Q.ra2_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом. Она обучена на ImageNet-1k и предназначена для отнесения изображений к классам этой выборки, а также может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Модель построена на архитектуре ResNet с четырёхслойным стемом без пулинга и активациями SiLU, реализована через гибкую архитектуру BYOBNet. В ней около 36,8 млн параметров; для оценки использовались изображения 256×256 при обучении и 288×288 при тестировании. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

ResNetRS-350 — сверточная модель семейства ResNetRS для классификации изображений и извлечения визуальных признаков. Модель размещена timm; согласно карточке, её обучили авторы работ на ImageNet-1k в TensorFlow. В архитектуре используются активации ReLU, свёртка 7×7 с пулингом и свёрточное соединение 1×1 для понижения размерности. Число параметров — около 164 млн, вычислительная сложность — 43,7 GMACs. Модель обучалась на изображениях 288×288 пикселей; для оценки карточка указывает размер 384×384. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов. Репозиторий содержит веса PyTorch и safetensors, а библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm, основанная на архитектуре ResNet с предварительной активацией и подходе Big Transfer. Авторы научной работы предварительно обучили её на ImageNet-21k и дообучили на ImageNet-1k. Модель содержит 236,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В ней применяются Group Normalization и Weight Standardization вместо Batch Normalization. Это англоязычный набор классов ImageNet; лицензия репозитория — Apache-2.0. Высокая ёмкость модели подходит для задач, где важны сильные визуальные представления, но требует значительных вычислительных ресурсов. Классификатор настроен на классы ImageNet-1k, поэтому применение к другим наборам классов потребует адаптации.

RF-DETR Nano — компактная модель обнаружения объектов из семейства RF-DETR, представленного в работе Robinson и соавторов. Она предназначена для поиска объектов и определения их рамок на изображениях; чекпойнт обучен на COCO 2017 с 80 категориями. Модель доступна в формате safetensors и поддерживается библиотекой Transformers. Архитектура сочетает Vision Transformer на основе DINOv2 с чередованием оконного и полнослойного внимания, многоуровневый проектор признаков и декодер Deformable DETR с объектными запросами. Семейство RF-DETR ориентировано на компромисс между точностью и задержкой, а вариант Nano рассчитан на компактное обнаружение объектов в реальном времени. Модель принимает изображения и выдаёт классы объектов с ограничивающими рамками. Карточка не приводит конкретных показателей скорости или точности именно для Nano. Лицензия — Apache-2.0.

uer/roberta-base-finetuned-jd-binary-chinese — модель классификации китайских текстов, разработанная UER и дообученная с помощью UER-py на бинарном наборе отзывов JD. Она предназначена для определения полярности пользовательских отзывов и доступна для запуска через Transformers как модель классификации последовательностей. Это плотная архитектура семейства BERT с 129,5 млн параметров и контекстом до 512 токенов; в репозитории представлены веса PyTorch, TensorFlow и Flax. Модель рассчитана на китайский язык и не предназначена для генерации текста. Для её использования нужны входной текст и токенизатор модели. Обучение проводилось на размеченных отзывах JD; результаты на других доменах и типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

Sapiens-Pose-0.3B — модель Meta для определения позы человека на изображениях. Это Vision Transformer с 336 млн параметров, 24 слоями, 16 головами и размером патча 16 × 16; модель поддерживает вывод в высоком разрешении 1024 × 1024, а в карточке для Pose указано изображение 1024 × 768. Модель оценивает 308 ключевых точек тела, лица, кистей и стоп на одном изображении. Семейство Sapiens предварительно обучено на 300 млн изображений людей; по заявлению разработчика, это помогает обобщать на реальные условия съёмки и работать при малом количестве размеченных данных или на синтетических данных. Модель принимает изображение и выдаёт координаты ключевых точек. В метаданных указан английский язык карточки, но задача не зависит от языка. Репозиторий распространяется в формате PyTorch под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Sapiens-2B — предварительно обученная Meta модель компьютерного зрения на основе Vision Transformer. Она обучалась на 300 миллионах изображений людей с разрешением 1024 × 1024 и предназначена для извлечения признаков, дообучения и использования как основы для моделей задач, связанных с изображениями людей. Модель содержит около 2,163 млрд параметров, использует патчи 16 × 16 и поддерживает инференс с высоким разрешением 1024 × 1024. Модель может служить визуальным энкодером для последующих задач анализа изображений людей; README отмечает способность переносить знания на изображения из реальных условий даже при малом количестве размеченных данных или использовании синтетических данных. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

SimpleSeg-Kimi-VL — версия метода SimpleSeg на базе мультимодальной модели Kimi-VL, представленная разработчиками SimpleSeg. Она предназначена для сегментации объектов по текстовому описанию: модель принимает изображение и запрос, затем генерирует последовательность координат точек, описывающих границу объекта. Такой подход представляет сегментацию как генерацию текста и не требует специализированных модулей для построения масок. В README указана двухэтапная настройка SFT→RL: обучение с подкреплением по награде на основе IoU уточняет контуры. Описаны сценарии сегментации по выражению, пространственной локализации и визуального понимания. Модель основана на архитектуре Kimi-VL; README характеризует её как MoE с 16 млрд параметров, из которых 3 млрд активны. В метаданных указаны класс KimiVLForConditionalGeneration, библиотека Transformers и формат safetensors. Лицензия — MIT.

SlimSAM-uniform-50 — компактная версия Segment Anything Model, разработанная Zigeng Chen, Gongfan Fang, Xinyin Ma и Xinchao Wang из Learning and Vision Lab Национального университета Сингапура. Модель предназначена для генерации масок и сегментации объектов на изображениях. SlimSAM получена сжатием предварительно обученной SAM с помощью чередующегося прореживания и дистилляции. В варианте SlimSAM-50 около 5,7 млн параметров и 21 млрд MACs — соответственно 0,9% и 0,8% от показателей SAM-H. Для обучения метода использовано 10 тыс. примеров, или 0,1% от объёма, указанного для сравнения с исходной SAM-H. Авторы сообщают о близкой к исходной модели производительности при существенно меньшем размере. Модель принимает изображения и выдаёт сегментационные маски. В метаданных указаны архитектура SAM и класс SamModel; файлы представлены в формате safetensors. Лицензия — Apache-2.0. README не сообщает о поддержке текстовых запросов или конкретных языков; результаты и производительность могут зависеть от изображений и сценария сегментации.

Swin Transformer Base — модель компьютерного зрения, разработанная авторами архитектуры Swin Transformer и опубликованная в репозитории Microsoft. Она обучена на ImageNet-1k и классифицирует изображения по 1000 классам. Модель принимает изображения размером 224×224 и использует иерархический Vision Transformer: объединяет патчи на глубоких уровнях и вычисляет внимание внутри локальных окон, что даёт линейную по размеру изображения сложность вычислений. Модель подходит для классификации изображений и как визуальная основа для задач плотного распознавания. Доступны реализации PyTorch, TensorFlow и веса Safetensors. Лицензия — Apache-2.0. README советует использовать дообученные версии для специализированных задач.

Swin Transformer V2 Large — модель классификации изображений и извлечения визуальных признаков из семейства Swin Transformer V2. Разработана авторами статьи Swin Transformer V2 и опубликована в библиотеке timm. Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k; содержит около 196,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов, которые можно использовать в компьютерном зрении и последующей обработке изображений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT. Модель принимает изображения и выдаёт классовые предсказания либо визуальные представления; конкретные метрики качества в карточке не приведены.

Tabby-Pretrain — предварительно обученный энкодер PatchTST, разработанный авторами Tabby и опубликованный как замороженная базовая часть модели. Он предназначен для прогнозирования временных рядов без дообучения и для адаптации под конкретные данные. Архитектура включает 20 слоёв и размерность скрытого состояния 768; README указывает 145,84 млн параметров, а метаданные — 188,7 млн. Модель обучалась на реальных и синтетических временных рядах с маскированным предсказанием патчей и функцией потерь pinball для 99 квантилей, благодаря чему один проход формирует распределение прогноза. Репозиторий содержит только веса энкодера в формате safetensors и конфигурацию; оптимизатор для продолжения обучения отсутствует. Для самостоятельного запуска полной модели авторы указывают отдельный чекпойнт Tabby, а для использования промпта — Tabby-Prompt. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование.

TinyViT 5M 224 dist.in22k — модель классификации изображений и извлечения визуальных признаков из семейства TinyViT, опубликованная авторами статьи TinyViT и распространяемая через timm. Она предварительно обучена на ImageNet-22k с дистилляцией. Модель содержит 12,1 млн параметров, требует изображений размером 224 × 224 и имеет вычислительную стоимость 1,2 GMACs. Модель предназначена для классификации изображений, получения карт признаков и визуальных эмбеддингов. Компактный ViT-бэкбон можно использовать в приложениях компьютерного зрения, которым нужны классификационные оценки или представления изображений. Метаданные указывают лицензию Apache-2.0.

TRELLIS Image Large — модель генерации 3D-объектов по изображению, представленная как версия TRELLIS с обусловливанием изображением. Она описана в статье «Structured 3D Latents for Scalable and Versatile 3D Generation»; размер модели в карточке не указан. Модель предназначена для создания 3D-представления объекта по входному изображению. В репозитории указаны веса в формате safetensors, библиотека TRELLIS и лицензия MIT. Карточка не описывает поддерживаемые языки интерфейса или конкретные ограничения качества и применения.

TinyTimeMixer (TTM) Research-Use — компактная предварительно обученная модель прогнозирования временных рядов от IBM Research, построенная на архитектуре TinyTimeMixer. В этой версии около 1 млн параметров; модель предназначена для многомерного точечного прогнозирования временных рядов, преимущественно с минутной до часовой частотой наблюдений. Модель подходит для прогнозов без дообучения и для адаптации на целевых данных. Для разных настроек доступны варианты с контекстом 512, 1024 или 1536 точек и горизонтом прогноза до 720 точек; поддерживаются независимая обработка каналов и смешивание каналов, а также учет экзогенных и категориальных данных. По карточке модели, прогнозирование и дообучение можно выполнять на одной GPU или ноутбуке, включая CPU-сценарии. Релиз ориентирован на исследовательское использование и воспроизведение результатов статьи. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование без отдельного разрешения; для коммерческих сценариев авторы указывают на релизы Granite. README не приводит конкретную частоту данных или набор предметных областей, поэтому применимость следует проверять на целевом ряду.

timm/vit_7b_patch16_dinov3.lvd1689m — визуальный энкодер DINOv3 ViT-7B/16 из PyTorch Image Models (timm), предварительно обученный методом самоконтролируемого обучения на наборе LVD-1689M. Модель содержит около 6,716 млрд параметров и рассчитана на изображения размером 256 × 256 пикселей; для обработки изображений использует патчи 16 × 16. Репозиторий предоставляет веса в формате safetensors. Модель предназначена для извлечения признаковых карт и эмбеддингов изображений, которые можно использовать в классификации, сегментации и других задачах компьютерного зрения. Крупный ViT-бэкбон показывает результаты на задачах классификации и сегментации, включая наборы GEO-Bench. Это энкодер изображений, а не генеративная модель; практическое применение требует значительных вычислительных ресурсов из-за размера около 6,7 млрд параметров. Лицензия указана как DINOv3; метаданные Hugging Face обозначают её категорию как other, поэтому точные условия использования следует сверять с лицензией проекта.

Модель timm/vit_relpos_base_patch32_plus_rpn_256.sw_in1k — вариант Vision Transformer для классификации изображений и извлечения признаков, распространяемый в библиотеке timm. Архитектура использует относительные позиционные эмбеддинги, блоки с residual post-normalization, не содержит class token и формирует итоговое представление глобальным усреднением токенов. Модель обучена на ImageNet-1k и рассчитана на обработку изображений размером 256 × 256 пикселей. В карточке указано 119,4 млн параметров и вычислительная сложность 7,6 GMACs. Её можно применять для предсказания классов изображений и получения визуальных эмбеддингов для последующих задач компьютерного зрения. В качестве ориентиров при обучении использовались рецепты Swin Transformer, DeiT и ConvNeXt. Лицензия — Apache-2.0. Качество и надёжность модели за пределами ImageNet-подобных данных карточкой не охарактеризованы; для прикладного использования в других доменах может потребоваться дополнительная оценка или дообучение.

Это модель компьютерного зрения на архитектуре Vision Transformer (ViT), разработанная Россом Уайтманом для библиотеки timm. Вариант использует патчи 16×16, один register-токен и глобальное усреднение признаков; число параметров составляет 136,1 млн, рекомендуемый размер изображения — 256×256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. В сравнительной таблице README для варианта с размером 256 указана точность top-1 87,308% и top-5 98,326%. Для использования доступны веса PyTorch и safetensors; лицензия — Apache-2.0. Модель ориентирована на изображения ImageNet-подобного масштаба и классификацию по категориям обучающих данных; README не подтверждает её качество за пределами этих сценариев.

YingLong 110M — предварительно обученная модель семейства YingLong для прогнозирования временных рядов. В этой версии обучение проводилось на 78 млрд временных точек; карточка приводит примеры долгосрочного прогнозирования и оценки на GIFT-Eval. Модель выпущена в формате safetensors и использует библиотеку YingLong. Лицензия CC BY 4.0 разрешает использование при соблюдении её условий.

YOLOS-tiny — компактная модель обнаружения объектов, основанная на Vision Transformer (ViT). Модель семейства YOLOS представлена Fang и соавторами; этот вариант дообучен на COCO 2017 для распознавания объектов на изображениях. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель принимает изображение и выдаёт классы объектов с ограничивающими рамками. Она использует подход DETR с 100 запросами объектов и обучалась с сопоставлением предсказаний и разметки алгоритмом Венгера. Вариант tiny содержит 7,1 млн параметров и показал AP 28,7 на валидационной выборке COCO 2017. Подходит для компактных сценариев компьютерного зрения, где нужно находить и локализовать объекты на изображениях. Оценка приведена для COCO; качество на других наборах данных и предметных областях может отличаться, а карточка не описывает специальных ограничений применения.