IV.1Ритейл, электронная коммерция и fashion-tech

jameslahm/yolov10n — модель семейства YOLOv10 для обнаружения объектов в изображениях в реальном времени. Карточка связывает её с библиотекой yolov10 и набором данных COCO; веса представлены в формате safetensors. В README упомянуты обучение, проверка качества и пример запуска распознавания изображения. Модель предназначена для локализации и распознавания объектов на изображениях. Лицензия AGPL-3.0; перед использованием следует учитывать её условия распространения и применения. Карточка не приводит подробностей о размере модели, поддерживаемых классах, метриках качества или ограничениях.

jameslahm/yolov10s — модель обнаружения объектов семейства YOLOv10 для работы в реальном времени. Карточка описывает её как сквозную модель object detection; пример применения показывает обработку изображения с кошками. Репозиторий использует библиотеку yolov10 и содержит веса в формате Safetensors. Модель предназначена для обнаружения объектов на изображениях и подходит для сценариев, где важны быстрый вывод и локализация объектов. В метаданных указан набор данных COCO. Модель распространяется по лицензии AGPL-3.0.

Карточка модели rmaser/aloe-v2-dinov3-small на Hugging Face совпадает с карточкой rmaser/aloe-v2-dinov3-base-in1k-lp, поэтому описание составлено по ней. ALOEv2 DINOv3 Base in1k-lp — модель компьютерного зрения, разработанная командой ALOE. Это дообученная на базе DINOv3 Base модель с головой линейного классификатора ImageNet-1k; она также предоставляет визуальные признаки для извлечения и анализа. В модели около 113,2 млн параметров, веса доступны в формате Safetensors, а для загрузки через Transformers требуется включить trust_remote_code=True и использовать код ALOE-архитектуры. Модель обучали ещё 30 тысяч шагов с дистилляцией по трём слоям и выборкой разрешений 224, 384 и 480 пикселей на каждом шаге. Она предназначена для классификации изображений ImageNet-1k и извлечения признаков, в том числе для плотного сопоставления, оценки глубины и поверхностных нормалей. Архитектура B-cos сохраняет интерпретируемые объяснения; линейная точность на ImageNet-1k для версии Base составляет 83,92%. Модель принимает изображения и выдаёт классы либо векторные признаки. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных на тех же условиях и не разрешает коммерческое использование. Она не предназначена для распознавания произвольных классов без дополнительной настройки, а для загрузки используется пользовательский код.

tue-mps/coco_instance_eomt_large_1280 — модель для сегментации отдельных объектов на изображениях, основанная на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для эффективной сегментации с использованием Vision Transformer. Вариант large содержит 402,7 млн параметров и предназначен для instance segmentation на изображениях с разрешением 1280 пикселей. Модель принимает изображения и выделяет экземпляры объектов, формируя маски сегментации. Архитектура EoMT позволяет использовать ViT без специализированного декодера; семейство также поддерживает семантическую и паноптическую сегментацию с соответствующей постобработкой. Репозиторий использует Transformers, PyTorch и формат safetensors. Модель ориентирована на компьютерное зрение, включая анализ сцен и выделение объектов на изображениях. Лицензия — MIT. Карточка не приводит подробностей о точном наборе классов COCO, метриках качества или известных ограничениях.

EoMT (Encoder-only Mask Transformer) — модель компьютерного зрения на базе Vision Transformer, разработанная авторами работы «Your ViT is Secretly an Image Segmentation Model». Этот вариант предназначен для паноптической сегментации изображений: он выделяет области и объекты на сцене и формирует их маски. Семейство EoMT также поддерживает семантическую и экземплярную сегментацию с соответствующей постобработкой. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и safetensors для библиотеки Transformers. Архитектура обходится без специализированного декодера и модулей слияния пиксельных признаков, что позволяет использовать ViT для сегментации. Лицензия — MIT. В карточке нет сведений о наборах данных, языках или контексте; как модель обработки изображений, она не рассчитана на естественный язык.

Conditional DETR с backbone ResNet-50 — модель компьютерного зрения для обнаружения объектов на изображениях. Она основана на архитектуре Transformer encoder-decoder и обучена сквозным образом на COCO 2017. Разработчики метода — Meng и соавторы; модель впервые опубликована в репозитории Microsoft. Модель предсказывает классы объектов и их ограничивающие рамки. Механизм conditional cross-attention формирует пространственные запросы для внимания декодера и помогает быстрее обучать DETR: в работе сообщается о сходимости до 6,7 раза быстрее для backbone R50 и R101. Модель предназначена для обнаружения объектов общего назначения в сценариях, подходящих для категорий COCO. Репозиторий содержит веса в форматах PyTorch и safetensors; число параметров по метаданным — 6,3 млн. Модель обучена на COCO 2017, поэтому её распознавание ограничено представленными в этом наборе категориями и условиями съёмки. Лицензия — Apache-2.0.

ContaLLM-Fashion-7B-Instruct — дообученная ContaAI китайскоязычная языковая модель для маркетинга в индустрии моды и косметики. Она основана на Qwen/Qwen2.5-7B-Instruct, использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Модель принимает текстовые инструкции и генерирует маркетинговые тексты с учётом бренда, товара, темы, преимуществ, хештегов, сценария публикации и желаемой длины. Контекст — до 32 768 токенов; заявленный основной язык — китайский. Модель предназначена для создания разнообразных маркетинговых материалов и адаптации текста под заданные требования бизнеса. Репозиторий содержит веса в формате safetensors; для загрузки используется Transformers. Лицензия — Apache-2.0. Разработчики сообщают о мерах безопасности при подготовке данных и обучении, но при генерации нет автоматической фильтрации ответов. Модель может выдавать проблемный контент, поэтому результаты следует проверять и при необходимости фильтровать.

ConvFormer M36 SAIL in1k 384 — модель классификации изображений и извлечения визуальных признаков из семейства ConvFormer, разработанная авторами работы MetaFormer baselines for vision и обученная на ImageNet-1k. Она содержит 57,1 млн параметров и рассчитана на изображения размером 384 × 384 пикселя; вычислительная сложность составляет 37,9 GMACs. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов для последующих задач компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0.

ConvNeXT XLarge — свёрточная модель компьютерного зрения, представленная авторами статьи «A ConvNet for the 2020s» и опубликованная в репозитории Facebook. Модель предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k для классификации изображений с разрешением 384×384 пикселя. Модель принимает изображение и предсказывает один из классов ImageNet-1k. Архитектура — чистая ConvNet, дизайн которой модернизирован с учётом идей ResNet и Swin Transformer. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель подходит для классификации изображений общего назначения и как основа для дообучения под другие задачи компьютерного зрения. Она выдаёт классы из ImageNet-1k, поэтому для специализированных классов потребуется другая версия или дообучение.

CrossViT-15-240.in1k — модель классификации изображений и извлечения визуальных признаков из семейства CrossViT, разработанная авторами статьи CrossViT и обученная на ImageNet-1k. Она принимает изображения размером 240 × 240 пикселей и предназначена для распознавания объектов по классам ImageNet, а также может использоваться как визуальный backbone для получения эмбеддингов. Модель содержит около 27,5 млн параметров и требует 5,8 GMACs на проход. Репозиторий предоставляет веса PyTorch и SafeTensors; библиотека для работы — timm. Лицензия — Apache-2.0. Карточка не сообщает о специализированной поддержке других наборов классов или языковых задач.

timm/cspresnet50.ra_in1k — сверточная модель CSP-ResNet50 для классификации изображений и извлечения признаков, разработанная в экосистеме timm. Она обучена на ImageNet-1k с рецептом RandAugment; при обучении использовались оптимизатор RMSProp с поведением TF 1.0, усреднение весов EMA и ступенчатое экспоненциальное уменьшение скорости обучения с разогревом. Модель содержит 21,6 млн параметров, требует 4,5 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Модель предназначена для задач компьютерного зрения общего назначения. Карточка описывает обучение на ImageNet-1k, поэтому качество на других наборах данных и предметных областях может зависеть от дополнительной настройки.

Карточка модели jozhang97/deta-swin-large-o365 на Hugging Face совпадает с карточкой jozhang97/deta-swin-large, поэтому описание составлено по ней. 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.

Xenova/detr-resnet-50 — это версия модели facebook/detr-resnet-50, подготовленная сообществом Xenova для работы с ONNX-весами в библиотеке Transformers.js. Модель предназначена для обнаружения объектов на изображениях и возвращает найденные объекты, оценки уверенности и координаты ограничивающих рамок. Модель можно использовать в JavaScript-приложениях, включая веб-сценарии, через pipeline с задачей object-detection. В README приведён пример обнаружения объектов на изображениях с фильтрацией результатов по порогу уверенности. Архитектура указана как DETR с backbone ResNet-50; точные сведения о размере, поддерживаемых языках, модальностях помимо изображений и длине контекста не приведены. Формат ONNX ориентирован на совместимость с Transformers.js и выполнение в средах, поддерживающих эту библиотеку. Сильными сторонами модели являются готовность к использованию в JavaScript и веб-приложениях, а также выдача структурированных результатов с вероятностями и координатами объектов. Ограничения включают зависимость от качества и области применения исходной модели facebook/detr-resnet-50, а также отсутствие в README подробностей о производительности, наборе классов и точности. Лицензия в предоставленных данных не указана.

dm_nfnet_f6.dm_in1k — модель семейства NFNet, разработанная авторами работ о высокопроизводительном распознавании изображений без нормализации и обученная на ImageNet-1k. Это крупная сверточная архитектура, похожая на ResNet с предварительной активацией: в ней нет слоёв нормализации, вместо них применяются Scaled Weight Standardization и скалярные коэффициенты усиления в остаточных связях и нелинейностях. Модель содержит около 438,4 млн параметров; обучалась на изображениях размером 448 × 448, а для оценки использует 576 × 576. Основное назначение — классификация изображений; также модель можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов. Она подходит для задач распознавания объектов на изображениях, близких к классам ImageNet-1k. Репозиторий предоставляет веса PyTorch и safetensors, библиотека модели — timm. Лицензия Apache-2.0.

FastViT SA36 — модель классификации изображений и извлечения визуальных признаков семейства FastViT, опубликованная авторами FastViT и представленная в библиотеке timm. Она обучена на ImageNet-1k с дистилляцией и подходит для классификации изображений, извлечения карт признаков и построения эмбеддингов. Модель содержит 31,5 млн параметров, требует изображения размером 256 × 256 и имеет вычислительную сложность 5,6 GMACs. FastViT использует гибридную архитектуру свёрточных сетей и Vision Transformer со структурной репараметризацией. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия указана как other; README просит соблюдать исходную лицензию модели.

FlexiViT Large 300ep IN1K — модель классификации изображений и визуальный backbone. Её обучили авторы статьи на ImageNet-1k с использованием JAX, затем Ross Wightman перенёс веса в PyTorch. Модель содержит около 304,4 млн параметров и рассчитана на изображения размером 240 × 240 пикселей. Архитектура FlexiViT позволяет использовать разные размеры патчей. Модель подходит для классификации изображений и получения их эмбеддингов; её можно применять как визуальную основу для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors, библиотека — timm. Лицензия Apache-2.0. Карточка указывает обучение на ImageNet-1k; качество на других распределениях данных отдельно не описано.

FocalNet Base LRF — модель классификации изображений и извлечения визуальных признаков из семейства FocalNet, опубликованная авторами работы «Focal Modulation Networks» и доступная через библиотеку timm. Модель предварительно обучена на ImageNet-1k; число параметров — 88,7 млн, вычислительная сложность — 15,4 GMACs. Для входных изображений указано разрешение 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов; её можно использовать как визуальный backbone в компьютерном зрении. В репозитории представлены веса PyTorch и safetensors. Лицензия — MIT. Карточка не описывает языковые возможности, поскольку модель работает с изображениями.

gcresnet33ts.ra2_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Она построена на архитектуре GC-ResNet с механизмом Global Context attention и реализована через BYOBNet в timm. Модель содержит 19,9 млн параметров; в карточке указаны изображения размером 256 × 256 для обучения и 288 × 288 для тестирования. Модель предназначена для классификации изображений по классам ImageNet-1k и может служить сверточной основой для извлечения карт признаков и эмбеддингов изображений. В архитектуре используются трёхслойный stem без pooling и активации SiLU; библиотека timm также поддерживает извлечение признаков по этапам сети. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Обучение описано только для ImageNet-1k, поэтому применимость к изображениям других типов и доменов может требовать проверки или дополнительной адаптации.

hardcorenas_b.miil_green_in1k — компактная модель классификации изображений семейства HardCoReNAS, обученная авторами статьи на ImageNet-1k с их «зелёным» рецептом обучения. Её также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов. Модель содержит 5,2 млн параметров, выполняет около 0,3 GMAC на изображение и рассчитана на входной размер 224 × 224 пикселя. Она предназначена для классификации изображений и получения признаков в задачах компьютерного зрения. Данные не указывают на поддержку текстовых или иных языковых входов. Модель распространяется в форматах PyTorch и safetensors под лицензией Apache-2.0. Карточка не приводит конкретных ограничений качества или списка классов помимо обучения на ImageNet-1k.

Hiera Huge 224 MAE IN1K FT IN1K — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Модель опубликована в репозитории timm и относится к семейству иерархических Vision Transformer Hiera. Она предварительно обучена на ImageNet-1k методом Self-Supervised Masked Autoencoder (MAE), затем дообучена для классификации на ImageNet-1k. Модель содержит около 672,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. В карточке приведены результаты ImageNet-1k: точность Top-1 86,834% и Top-5 98,01%. Её можно использовать как классификатор, основу для извлечения карт признаков и для получения эмбеддингов изображений. Для запуска доступны веса PyTorch и Safetensors; библиотека модели — timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

InceptionNeXt Small — модель классификации изображений и извлечения визуальных признаков из семейства InceptionNeXt. Её обучили авторы статьи на ImageNet-1k; репозиторий опубликован в формате PyTorch и Safetensors и предназначен для использования через библиотеку timm. Модель содержит 49,4 млн параметров, выполняет 8,4 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Лицензия репозитория — Apache-2.0. Модель работает с изображениями и не предназначена для обработки естественного языка.

Microsoft LLaMA-2-13b-GTL-Delta — это дообученная версия LLaMA 2, входящая в семейство Industrial Foundation Models (IFMs). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые промпты с данными в табличной форме. Контекст ограничен 2048 токенами; модель поставляется в формате safetensors и распространяется по лицензии MIT. Модель дообучена более чем на 380 табличных наборах данных из разных отраслей и предназначена для прогнозирования по промышленным данным. По инструкции в промпте она может выполнять задачи классификации и регрессии, формируя ответ на естественном языке. Среди описанных сфер применения — торговля, здравоохранение, энергетика и устойчивое развитие. Результаты могут быть смещёнными или ошибочными, особенно на данных и в сценариях, недостаточно представленных при обучении. Прогнозы следует проверять, а применение в критически важных решениях требует дополнительной оценки и защитных мер.

PeterBrendan дообучил модель PeterBrendan/llama-2-7b-Ads на базе meta-llama/Llama-2-7b-chat-hf на наборе из 7 097 примеров рекламных креативов для программной интернет-рекламы. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации рекламного текста по текстовым запросам, в том числе с учётом размеров рекламного блока. Контекст модели — 2 048 токенов; карточка указывает английский язык, формат весов — PyTorch. Модель подходит для создания черновиков рекламных объявлений и персонализированных вариантов текста для разных аудиторий и размеров креативов. Её специализация — рекламные креативы, поэтому качество для запросов вне этой области может быть ниже; результаты требуют проверки человеком. Лицензия — MIT.

Карточка модели microsoft/LLaMA-2-7b-GTL-Delta на Hugging Face совпадает с карточкой microsoft/LLaMA-2-13b-GTL-Delta, поэтому описание составлено по ней. Microsoft LLaMA-2-13b-GTL-Delta — это дообученная версия LLaMA 2, входящая в семейство Industrial Foundation Models (IFMs). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые промпты с данными в табличной форме. Контекст ограничен 2048 токенами; модель поставляется в формате safetensors и распространяется по лицензии MIT. Модель дообучена более чем на 380 табличных наборах данных из разных отраслей и предназначена для прогнозирования по промышленным данным. По инструкции в промпте она может выполнять задачи классификации и регрессии, формируя ответ на естественном языке. Среди описанных сфер применения — торговля, здравоохранение, энергетика и устойчивое развитие. Результаты могут быть смещёнными или ошибочными, особенно на данных и в сценариях, недостаточно представленных при обучении. Прогнозы следует проверять, а применение в критически важных решениях требует дополнительной оценки и защитных мер.

LowFormer E1 — модель для классификации изображений и извлечения визуальных признаков, разработанная авторами LowFormer и обученная на ImageNet-1k. Версия E1 рассчитана на edge GPU: в её архитектуре используются сверточные блоки, без ветвей внимания и MLP. Модель содержит 18,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель определяет классы объектов на изображении, а также может выдавать эмбеддинги и многомасштабные карты признаков. Предобработка включает изменение размера с бикубической интерполяцией, нормализацию статистиками ImageNet и центральную обрезку. Контрольная точность в README приводится для вариантов LowFormer, но отдельные результаты E1 в предоставленной таблице не видны. Заявленная цель LowFormer — оптимизация фактической задержки на оборудовании, а не только числа операций; реальная скорость зависит от устройства, среды инференса, способа экспорта и размера пакета. Веса преобразованы в формат state dict библиотеки timm и доступны в safetensors. Лицензия — Apache 2.0.

maxvit_rmlp_small_rw_224.sw_in1k — модель классификации изображений семейства MaxViT из библиотеки timm, обученная Россом Уайтменом на ImageNet-1k. Она предназначена для присвоения изображению метки класса и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Архитектура MaxViT сочетает свёрточные блоки MBConv с механизмами внимания по окнам и сеткам; вариант использует MLP Log-CPB — позиционное смещение, мотивированное Swin Transformer V2. Модель содержит около 64,9 млн параметров и рассчитана на изображения 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель обучена на ImageNet-1k и подходит для классификации изображений общего назначения и как backbone в компьютерном зрении. Её область применения ограничена визуальными задачами: карточка не описывает поддержку текста или других модальностей; качество на данных, отличающихся от ImageNet-1k, отдельно не характеризуется.

maxvit_rmlp_tiny_rw_256.sw_in1k — модель классификации изображений семейства MaxViT, разработанная Ross Wightman и обученная в timm 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 свёрточные блоки MBConv с механизмами внимания по окнам и сетке; вариант использует MLP Log-CPB для относительных позиционных смещений. Модель содержит около 29,1 млн параметров и рассчитана на входные изображения размером 256 × 256 пикселей. Веса доступны в форматах PyTorch и safetensors. Модель обучена на ImageNet-1k, поэтому её классы и качество распознавания ориентированы на этот набор данных. Для специализированных предметных областей может потребоваться дообучение. Лицензия — Apache-2.0.

Mitra Regressor — табличная модель общего назначения от AutoGluon, предварительно обученная на синтетических наборах данных, полученных с помощью случайных регрессоров. Она предназначена для задач регрессии по табличным данным и использует обучение в контексте, чтобы строить предсказания для новых данных. Архитектура модели — Transformer из 12 слоёв с 72 млн параметров. Модель рассчитана на табличный ввод и выдаёт числовые прогнозы. В README описан способ использования через AutoGluon Tabular. Репозиторий распространяется под лицензией Apache-2.0.

huggingface-course разработала эту модель, дообучив Google mT5-small для суммаризации англоязычных отзывов Amazon с переводом результата на испанский язык. Это компактная модель преобразования текста в текст на архитектуре mT5 с 157,4 млн параметров; репозиторий содержит веса PyTorch. В README приведены результаты оценки: ROUGE-1 16,97, ROUGE-2 8,30 и ROUGE-L 16,84. Модель предназначена для получения краткого испанского резюме по английскому отзыву о товаре. Она подходит для экспериментов и небольших сценариев анализа отзывов; качество на опубликованной оценке ограничено приведёнными значениями ROUGE. Лицензия — Apache-2.0.

jniechcial/mt5-small-finetuned-amazon-en-de — модель преобразования текста в текст на базе Google mT5-small, дообученная для суммаризации. В карточке указаны результаты оценки: Loss 3,2592, ROUGE-1 14,8917, ROUGE-2 6,2159, ROUGE-L 14,3496 и ROUGE-Lsum 14,3149. Модель содержит 157,4 млн параметров и использует архитектуру MT5ForConditionalGeneration. По названию репозитория она ориентирована на данные Amazon на английском и немецком языках, однако README не описывает датасет и целевые сценарии подробнее. Веса опубликованы в формате safetensors; лицензия — Apache-2.0.