IV.1Ритейл, электронная коммерция и fashion-tech

quangvu197/mt5-small-finetuned-amazon-en-es — дообученная модель Google mT5-small для суммаризации. Она построена на архитектуре MT5ForConditionalGeneration с плотными слоями и содержит 157,4 млн параметров; веса представлены в формате safetensors. Название репозитория указывает на настройку для Amazon и английского и испанского языков, однако README не раскрывает назначение датасета и подробности обучения. Модель предназначена для создания краткого текста по входному тексту. Базовая mT5 — многоязычная модель преобразования текста в текст, но результаты этой версии приведены только для суммаризации: ROUGE-1 17,37, ROUGE-2 8,68 и ROUGE-L 16,97 на оценочном наборе. Эти показатели не позволяют оценить качество для иных языков или типов документов. Использование регулируется лицензией Apache-2.0.

Fixaro разработал модель классификации тональности по аспектам для отзывов о товарах и услугах на бирманском языке. Это второй этап двухэтапного конвейера ABSA: на вход подаются текст отзыва и категория аспекта, а модель определяет тональность — отрицательную, нейтральную или положительную. Для автоматической оценки аспектов сначала требуется отдельная модель их обнаружения. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForSequenceClassification; размер — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Она обучена на 5 247 аспектных аннотациях отзывов и предназначена для пяти категорий: качество товара, доставка и скорость, цена и ценность, персонал и обслуживание, ассортимент и наличие. В тесте заявлены F1 Macro 0,8671 и F1 Weighted 0,9115. Модель может быть полезна для анализа отзывов и построения конвейеров аспектного анализа тональности. Ограничения включают низкую представленность нейтрального класса, чувствительность к сарказму и контексту, необходимость явно передавать аспект и возможное снижение качества вне отзывов о товарах и услугах. Лицензия — MIT.

Карточка модели OpenGVLab/pvt_v2_b2 на Hugging Face совпадает с карточкой OpenGVLab/pvt_v2_b0, поэтому описание составлено по ней. PVTv2 — лёгкая иерархическая модель зрения на основе Pyramid Vision Transformer v2, представленная в реализации Hugging Face PyTorch. В её слоях трансформера используются свёрточные операции, а архитектура формирует многомасштабные карты признаков и не требует дополнительных позиционных эмбеддингов. Этот чекпойнт предназначен для классификации изображений. Архитектура PVTv2 также используется как основа для моделей сегментации, оценки монокулярной глубины и обнаружения объектов, однако карточка данного репозитория указывает задачу классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели OpenGVLab/pvt_v2_b3 на Hugging Face совпадает с карточкой OpenGVLab/pvt_v2_b0, поэтому описание составлено по ней. PVTv2 — лёгкая иерархическая модель зрения на основе Pyramid Vision Transformer v2, представленная в реализации Hugging Face PyTorch. В её слоях трансформера используются свёрточные операции, а архитектура формирует многомасштабные карты признаков и не требует дополнительных позиционных эмбеддингов. Этот чекпойнт предназначен для классификации изображений. Архитектура PVTv2 также используется как основа для моделей сегментации, оценки монокулярной глубины и обнаружения объектов, однако карточка данного репозитория указывает задачу классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0.

regnetz_c16.ra3_in1k — модель классификации изображений семейства RegNetZ, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Архитектура реализована через BYOBNet и использует блоки с расширением inverted bottleneck и линейными выходами блоков. Модель содержит около 13,5 млн параметров и требует примерно 2,5 GMACs; изображения при обучении имели размер 256×256, при тестировании — 320×320. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

repvgg_b3.rvgg_in1k — сверточная модель классификации изображений из семейства RepVGG, реализованная в библиотеке timm. Её обучили авторы статьи RepVGG на ImageNet-1k; число параметров составляет 123,1 млн. Модель рассчитана на изображения размером 224 × 224 пикселя и также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Архитектура RepVGG сочетает VGG-подобную структуру с блоками BYOBNet, конфигурация которых допускает настройку стадий и слоёв. Модель предназначена для классификации изображений общего назначения и извлечения визуальных признаков. Весовые файлы доступны в форматах PyTorch и Safetensors; лицензия — MIT. Карточка не описывает поддержку текстового или мультимодального ввода.

resnetaa50d.d_in12k — сверточная модель классификации изображений семейства ResNet-D, разработанная Россом Уайтманом и обученная на ImageNet-12k с использованием библиотеки timm. Архитектура включает три начальных свёрточных слоя 3×3 с пулингом, активации ReLU и антиалиасинговое уменьшение масштаба; в обходных соединениях при понижении разрешения используются усредняющий пул 2×2 и свёртка 1×1. Модель содержит около 47,7 млн параметров и предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. В README приведены размеры изображения 224×224 для обучения и 288×288 для оценки. Репозиторий распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель рассчитана на визуальные задачи и не обрабатывает естественный язык. Показатели качества и скорости из сравнительной таблицы относятся к другим моделям, поэтому их нельзя считать результатами этой модели.

RF-DETR Small — модель сквозного обнаружения объектов семейства RF-DETR, разработанного авторами статьи Robinson et al. Она предназначена для детекции объектов в изображениях и рассчитана на компромисс между точностью и задержкой при работе в реальном времени. Архитектура объединяет визуальный трансформер в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер на основе Deformable DETR. Модель обучена для распознавания 80 категорий COCO 2017. Репозиторий использует библиотеку Transformers и формат весов Safetensors. Модель подходит для локализации объектов на фотографиях и видеокадрах после извлечения кадров, а также для построения приложений компьютерного зрения. Данных о поддержке других наборов классов или языковых входов нет. Лицензия — Apache-2.0.

Это дообученный чекпойнт SAM 2.1 Hiera Small от автора репозитория sshibinthomass, предназначенный для выделения бытовых предметов масками по подсказке в виде рамки. Модель основана на facebook/sam2.1-hiera-small и использует архитектуру SAM 2; для работы с ней в README приведён пример на библиотеке Transformers. Модель принимает изображение и координаты рамки, а выдаёт несколько вариантов маски с оценками IoU; в описанном режиме выбирается кандидат с наибольшей предсказанной оценкой. Обучение проведено на 512 примерах COCO 2017 instance segmentation, с отдельными наборами валидации и тестирования. На тестовой выборке выбранные маски достигли IoU 0,730; эти результаты относятся к указанному эксперименту и не гарантируют качество на иных данных. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Чекпойнт ориентирован на сегментацию бытовых объектов и требует изображение вместе с рамкой-подсказкой; сведения о поддержке видео или других языках в карточке не приводятся.

Sapiens2-0.8B — предварительно обученный визуальный backbone семейства Sapiens2, разработанный Meta. Это Vision Transformer с RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацией; в метаданных указано 838,9 млн параметров, а в карточке README — 0,818 млрд. Модель обучалась на 1 млрд изображений людей и извлекает плотные признаки по патчам изображения для последующей настройки специализированных голов.

Sapiens2-0.8B-Body-Part — модель Meta для попиксельной сегментации частей человеческого тела на изображениях. Это дообученная версия предобученного Vision Transformer Sapiens2 с 0,8 млрд параметров и головой семантической сегментации; модель размечает 29 классов: 28 частей тела и фон. Модель предназначена для анализа изображений с людьми, включая выделение частей тела и исследования в области человекоцентричного компьютерного зрения. Чекпойнт распространяется в формате safetensors для использования с кодом проекта Sapiens2. Указана лицензия Sapiens2 License; её условия следует проверить перед использованием.

Sapiens2-1B-Body-Part — модель Meta для попиксельной сегментации частей тела на изображениях. Это дообученная версия предобученной модели facebook/sapiens2-pretrain-1b: Vision Transformer с backbone Sapiens2 и головой семантической сегментации. Модель размечает 29 классов — 28 частей тела и фон; число параметров backbone составляет около 1,462 млрд. Модель предназначена для сегментации людей на изображениях и исследований в области компьютерного зрения с фокусом на человека. Для запуска требуется репозиторий Sapiens2 и файл весов в формате safetensors. Модель выпущена под лицензией Sapiens2 License; дополнительные условия следует сверять с текстом этой лицензии.

SelecSLS60.in1k — модель классификации изображений и извлечения признаков из семейства SelecSLS, опубликованная авторами соответствующей работы и обученная на ImageNet-1k. Она предназначена для классификации изображений, извлечения карт признаков и получения векторных представлений изображений; её можно использовать как визуальный backbone в компьютерном зрении. Модель содержит около 30,7 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную стоимость около 3,6 GMACs. Доступна через библиотеку timm в форматах PyTorch и safetensors. Лицензия — CC BY 4.0. Карточка также связывает модель с работой о захвате движения нескольких людей по одному RGB-изображению, но сама модель обучена для классификации ImageNet-1k.

Swin Tiny Patch4 Window7 224 — модель классификации изображений и визуальный backbone из семейства Swin Transformer, опубликованный авторами статьи и доступный через timm. Модель предварительно обучена на ImageNet-1k и предназначена для присвоения изображениям меток классов, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 28,3 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 4,5 GMACs на проход. Иерархическая архитектура Swin Transformer использует сдвинутые окна внимания. Веса опубликованы в форматах PyTorch и safetensors; лицензия — MIT. Модель рассчитана на задачи компьютерного зрения общего назначения. Карточка не описывает отдельные ограничения качества; классификация ImageNet-1k не гарантирует точность на изображениях из других областей или распределений.

Swin Transformer V2 Base — модель компьютерного зрения, представленная авторами Swin Transformer V2 и опубликованная командой Microsoft. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k для классификации изображений с разрешением 384×384; модель содержит около 33 млн параметров. Иерархическая архитектура Vision Transformer объединяет патчи на более глубоких уровнях и вычисляет внимание внутри локальных окон, что позволяет эффективнее масштабироваться на изображения высокого разрешения. В Swin V2 применяются нормализация после остаточного блока с cosine attention, непрерывное смещение позиции и самоконтролируемое предобучение SimMIM. Модель предназначена прежде всего для отнесения изображения к одному из 1000 классов ImageNet. Иерархические признаки также могут использоваться как основа для задач плотного распознавания после соответствующей адаптации. Карточка демонстрирует классификацию на разрешении 384×384. Лицензия — Apache-2.0. Ограничение: исходный чекпойнт ориентирован на классы ImageNet-1k, поэтому для других наборов классов может потребоваться дообучение.

Swin Transformer v2 Tiny — модель компьютерного зрения, разработанная авторами статьи Swin Transformer V2 и предварительно обученная на ImageNet-1k. Это Vision Transformer с иерархическим представлением признаков: он объединяет патчи на глубоких уровнях и выполняет внимание внутри локальных окон, что снижает вычислительную сложность при обработке изображений. Модель содержит около 33 млн параметров и рассчитана на изображения разрешением 256 × 256 пикселей. Модель предназначена для классификации изображений по 1000 классам ImageNet. Её также можно использовать как основу для задач плотного распознавания после адаптации. В Swin Transformer v2 применяются нормализация после остаточных связей и косинусное внимание для стабильного обучения, а также непрерывное смещение позиций для переноса на входы более высокого разрешения. Лицензия Apache-2.0.

tf_efficientnet_b2.aa_in1k — сверточная модель EfficientNet для классификации изображений и извлечения признаков. Исходную версию обучили авторы EfficientNet на ImageNet-1k с политиками аугментации AutoAugment; Ross Wightman перенёс веса в PyTorch, а репозиторий опубликован командой timm. Модель содержит около 9,1 млн параметров, требует изображения размером 260 × 260 пикселей и выполняет примерно 1,0 GMAC на вход. Её можно применять для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификация ограничена набором классов этой выборки. Карточка не заявляет поддержку других модальностей или языковых задач.

YingLong_300m — предобученная модель временных рядов семейства YingLong, представленная авторами исследования YingLong. Эта версия обучена на 78 млрд временных точек и предназначена для долгосрочного прогнозирования временных рядов; карточка также упоминает оценку на наборе задач GIFT-eval. Для работы предусмотрены библиотека YingLong и формат весов safetensors. Модель принимает временные ряды и выдаёт прогнозы. В README приведены примеры запуска для долгосрочного прогнозирования; для ускорения может использоваться FlashAttention 2, но она не обязательна. Доступ к модели распространяется по лицензии CC BY 4.0.

jameslahm/yolov10x — модель обнаружения объектов на основе YOLOv10, опубликованная пользователем Hugging Face jameslahm. Она предназначена для обнаружения и локализации объектов на изображениях; карточка демонстрирует пример инференса на изображении с кошками. Репозиторий использует библиотеку yolov10 и содержит веса в формате safetensors; в метаданных указан датасет COCO. Модель подходит для сценариев компьютерного зрения, где нужно находить объекты на изображении. Лицензия AGPL-3.0. Размер модели, языки и дополнительные ограничения в доступных материалах не описаны.

Карточка модели rmaser/aloe-v2-dinov3-large 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.

Карточка модели rmaser/aloe-v2-dinov3-small-in1k-lp 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.

AWPortrait-FL — дообученная на базе FLUX.1-dev модель генерации изображений от DynamicWang и AWPlanet. Для обучения использованы набор AWPortrait-XL и почти 2 000 высококачественных фотографий модной съёмки. Модель предназначена для создания портретов и изображений в эстетике fashion-фотографии по текстовым описаниям. В карточке отмечены улучшения композиции, детализации и реалистичности кожи по сравнению с FLUX.1-dev. Также доступна версия LoRA для инференса с меньшими требованиями к памяти. Репозиторий использует Diffusers и формат SafeTensors. Указана лицензия «other»; конкретные условия следует проверять на странице модели и базовой модели. Контекст и точный размер этой версии в предоставленных данных не приведены.

ConvFormer B36 SAIL IN1K — модель классификации изображений и извлечения визуальных признаков на архитектуре ConvFormer, относящейся к семейству MetaFormer. Модель обучена авторами статьи на ImageNet-1k; в карточке Hugging Face указаны библиотека timm и задача image-classification. Она содержит около 99,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу компьютерного зрения в приложениях, которым нужно распознавать объекты и анализировать изображения. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

convformer_s18.sail_in1k — свёрточная модель семейства ConvFormer и архитектур MetaFormer для классификации изображений. Её обучили авторы работы о базовых архитектурах MetaFormer для компьютерного зрения на ImageNet-1k. Модель содержит 26,8 млн параметров; указан входной размер изображения 224 × 224 пикселя и вычислительная сложность 4,0 GMACs. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и safetensors и распространяется под лицензией Apache-2.0. Карточка не приводит сведений о конкретных ограничениях качества или наборах классов за пределами обучения на ImageNet-1k.

ConvFormer S18 — сверточная модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer. Модель представлена авторами статьи и доступна через библиотеку timm; её обучили на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит 26,8 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 4,0 GMACs. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Веса опубликованы в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его классы и качество ограничены задачей и распределением этого набора данных. README не приводит дополнительных оценок качества или сведений о других наборах классов.

ConvNeXt-V2 Base — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения визуальных признаков. Она содержит около 88,7 млн параметров и использует свёрточную архитектуру ConvNeXt-V2. Предобучение выполнено с помощью FCMAE, затем модель дообучена на ImageNet-22k и ImageNet-1k. Модель предназначена для определения объектов и категорий на изображениях, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов. В карточке приведены результаты классификации для входов 224 × 224 при обучении и 288 × 288 при тестировании. Репозиторий содержит веса PyTorch и safetensors и предназначен для работы с timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Это модель для классификации по категориям ImageNet; карточка не заявляет о специальной настройке для других областей или языков.

Это компактная свёрточная модель ConvNeXt для классификации изображений, обученная Россом Уайтманом с библиотекой timm на ImageNet-1k по рецепту ra4. В модели около 2,2 млн параметров; она рассчитана на изображения размером 224 × 224 пикселя и требует около 0,3 GMAC на обработку изображения. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. В карточке не приведены языковые возможности, поскольку входом модели служат изображения.

CrossViT 18-Dagger 408 — модель классификации изображений семейства Vision Transformer, обученная авторами статьи CrossViT на ImageNet-1k. Она также может служить визуальным backbone для извлечения признаков и эмбеддингов изображений. Модель содержит 44,6 млн параметров, обрабатывает изображения размером 408 × 408 пикселей и имеет вычислительную сложность 32,5 GMAC. CrossViT использует многомасштабное представление и перекрёстное внимание для классификации изображений. Модель доступна в форматах PyTorch и Safetensors и предназначена для задач компьютерного зрения. Лицензия — Apache-2.0. Обучение на ImageNet-1k задаёт область распознаваемых классов; качество на других наборах данных или при иных размерах входного изображения может отличаться.

DeiT-III Base Patch16 224 — модель классификации изображений из семейства Vision Transformer, обученная авторами статьи на ImageNet-1k. Веса распространяются через timm в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель принимает изображения размером 224 × 224 и относит их к классам ImageNet-1k. Её также можно использовать как визуальную основу для получения эмбеддингов изображений. В модели около 86,6 млн параметров; вычислительная сложность составляет 17,6 GMACs. Модель подходит для классификации изображений и извлечения визуальных признаков. Её специализация и обучение на ImageNet-1k ограничивают применимость задачами, близкими к распознаванию объектов из этого набора классов; качество на других данных может отличаться.

DeiT-III Large Patch16 384 fb_in1k — модель классификации изображений и визуальный backbone из семейства Vision Transformer, обученная авторами статьи на ImageNet-1k. Репозиторий публикуется проектом timm и содержит веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель принимает изображения размером 384 × 384 пикселя и предсказывает класс изображения. Её также можно использовать как визуальный backbone для получения эмбеддингов изображений. В модели около 304,8 млн параметров. Модель предназначена для классификации изображений и извлечения визуальных признаков. Она обучена на ImageNet-1k, поэтому её качество и применимость к данным других предметных областей могут отличаться; характеристики на таких данных в карточке не приведены.