IV.1Ритейл, электронная коммерция и fashion-tech

sch-ai/detr-hotspot — модель для обнаружения объектов на изображениях, опубликованная Schibsted AI Lab. Она относится к семейству DETR и предназначена для задач компьютерного зрения, в которых требуется находить объекты и определять их ограничивающие рамки. Модель содержит около 6,3 млн параметров и доступна в форматах ONNX и Safetensors; для работы с ней используются Transformers и архитектура DETR. В карточке Hugging Face для неё указан pipeline object-detection. Поддерживаемые классы объектов, набор данных обучения, точные показатели качества, лицензионные условия и сведения о входном разрешении из доступных источников не установлены.

eca_halonext26ts.c1_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она сочетает архитектуру HaloNet с эффективным канальным вниманием и блоками на основе ResNeXt; реализация использует настраиваемую архитектуру BYOBNet. Модель содержит 10,8 млн параметров, требует изображений размером 256 × 256 и выполняет классификацию, извлечение карт признаков и получение эмбеддингов. Модель подходит для распознавания объектов на изображениях и как визуальная основа для последующих задач компьютерного зрения. В конфигурации уменьшено число блоков self-attention, а сама модель не следует точной конфигурации конкретной научной работы. Опубликованные веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

EfficientViT-B2.r288-in1k — модель классификации изображений из семейства EfficientViT, разработанного авторами соответствующей научной работы. Она обучена на ImageNet-1k и также может использоваться как основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 24,3 млн параметров, требует входные изображения размером 288 × 288 пикселей и имеет вычислительную сложность 2,6 GMACs. Архитектура EfficientViT использует многомасштабное линейное внимание и рассчитана на эффективную обработку изображений высокого разрешения. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

FasterNet-M — модель классификации изображений и извлечения визуальных признаков из семейства FasterNet, разработанного авторами статьи «Run, Don't Walk: Chasing Higher FLOPS for Faster Neural Networks». Вариант fasternet_m.in1k обучен на ImageNet-1k и предназначен для распознавания объектов на изображениях, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов. Модель содержит 53,5 млн параметров, имеет вычислительную сложность 8,7 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch и safetensors; использовать их можно, в частности, через библиотеку timm. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных. Для других предметных областей или нестандартных изображений может потребоваться адаптация; в карточке также не заявлена поддержка текстовых, аудио- или видеовходов.

FasterNet-T2 — модель классификации изображений семейства FasterNet, обученная авторами статьи на ImageNet-1k. В карточке указано, что она также служит визуальным backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 15 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную сложность 1,9 GMAC. Её можно применять для классификации изображений и получения признаков для последующих компьютерно-зрительных задач. Репозиторий использует библиотеку timm; веса доступны в форматах PyTorch и safetensors. Модель предназначена для изображений ImageNet-1k и не описана как мультимодальная или многоязычная. Лицензия репозитория — Apache-2.0.

FC-CLIP — модель открытой паноптической сегментации изображений, созданная на основе работы авторов из ByteDance и размещённая в этом репозитории Claude для тестирования с FiftyOne Model Zoo. Она сочетает замороженный CLIP-бэкбон ConvNeXt-Large с лёгким декодером Mask2Former и предназначена для сегментации объектов и фона без отдельных специализированных моделей для этих категорий. Модель поддерживает zero-shot сегментацию с открытым словарём: пользователь может задавать собственные классы для поиска на изображении. В архитектуру также входят пиксельный декодер с многоуровневым attention и FPN, а декодер Mask2Former использует 250 запросов. Репозиторий содержит чекпойнт для COCO Panoptic; заявлена совместимость с Transformers, а detectron2 не требуется. Модель распространяется по лицензии Apache-2.0. Это чекпойнт для тестирования в FiftyOne Model Zoo; отдельные показатели качества и ограничения по разрешению изображений в карточке не приведены.

FocalNet-Tiny-LRF — модель компьютерного зрения семейства FocalNet, представленная Yang и соавторами и опубликованная в репозитории Microsoft. Она предназначена для классификации изображений и обучена на ImageNet-1k при разрешении 224×224 пикселя; модель выдаёт оценки принадлежности изображения к одному из 1000 классов ImageNet. В архитектуре механизм focal modulation заменяет self-attention: контекст собирается свёрточными слоями с разными диапазонами восприятия, выборочно агрегируется и передаётся токенам изображения через поэлементную модуляцию. Модель подходит для классификации изображений общего назначения и может служить базой для поиска вариантов, дообученных для других задач компьютерного зрения. В карточке отмечены результаты исследований FocalNet на классификации, обнаружении объектов и сегментации, однако этот чекпойнт предназначен непосредственно для классификации. Распространяется по лицензии Apache-2.0.

facebook/hiera-base-224-hf — базовая версия иерархического Vision Transformer Hiera от Meta, дообученная на ImageNet-1K. Чекпойнт содержит около 33 млн параметров и предназначен прежде всего для извлечения признаков из изображений; полученные признаки можно использовать в последующих задачах компьютерного зрения, например для классификации изображений. Архитектура Hiera меняет разрешение пространственных представлений и число признаков по мере прохождения сети. В README отмечены простота архитектуры и эффективность; семейство также описано как применимое к задачам распознавания изображений и видео. Этот чекпойнт принимает изображения и выдаёт векторные признаки. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

Hiera Base 224 MAE IN1K FT IN1K — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения признаков. Она использует иерархический Vision Transformer Hiera: предварительно обучена на ImageNet-1k методом Masked Autoencoder (MAE), затем дообучена для классификации на ImageNet-1k. Модель содержит 51,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений и получения карт признаков или эмбеддингов в задачах компьютерного зрения. В README приведены результаты для более крупных вариантов семейства Hiera, но метрики именно этой версии не указаны. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

timm/hiera_small_224.mae — модель извлечения признаков для изображений на архитектуре Hiera, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-1k методом masked autoencoder (MAE) и предназначена для классификации изображений, получения карт признаков и эмбеддингов. Модель содержит 34,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений и как визуальный backbone для задач компьютерного зрения. README также описывает извлечение признаковых карт и эмбеддингов; метаданные Hugging Face указывают задачу image-classification. Репозиторий содержит веса PyTorch и safetensors. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/hiera-tiny-224-hf — компактная модель Hiera, разработанная Meta и дообученная на ImageNet-1K. Это иерархический Vision Transformer для извлечения признаков из изображений; чекпойнт предназначен прежде всего для получения визуальных представлений, которые можно использовать в последующих задачах компьютерного зрения. Вариант Tiny содержит около 33 млн параметров и использует архитектуру Hiera. В карточке отмечены высокая скорость и простота архитектуры; сама модель рассчитана на изображения, а не на текстовый ввод. Её можно применять для извлечения признаков, а семейство также подходит для классификации изображений и masked image modeling. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит конкретных оценок качества для этого чекпойнта.

Hiera Tiny 224 — модель компьютерного зрения для классификации изображений и извлечения признаков. Модель распространяется в экосистеме timm и основана на иерархическом Vision Transformer Hiera. Она предварительно обучена на ImageNet-1k методом Self-Supervised Masked Autoencoder (MAE), затем дообучена на ImageNet-1k для классификации. В модели 27,9 млн параметров; входной размер изображения — 224 × 224 пикселя. Модель подходит для классификации изображений, получения карт признаков и эмбеддингов, а также как визуальная основа для прикладных систем компьютерного зрения. В README приведены результаты для других размеров семейства Hiera, но метрика именно этой версии не указана. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Это репакетированная без изменения данных весов модель hunyuan3d-dit-v2-mini от Tencent, подготовленная для небольшого слота генерации формы в конвейере Hunyuan3D-Swift / Modelr MLX. Модель использует архитектуру DiT с flow matching и создаёт 3D-форму по изображению; для генерации применяется CFG с 30 шагами. Веса сохранены в формате FP16 в файле safetensors, рядом поставляется конфигурация DiT и VAE для загрузчика MLX. Модель предназначена для создания 3D-мешей по входному изображению через пакет Hunyuan3D-Swift и его CLI `hy3d`; результат можно сохранить, например, в GLB. Размер исходного чекпойнта — 0,6 млрд параметров. Репозиторий распространяется по лицензии `other`; конкретные условия лицензии в карточке не раскрыты.

OK-AI/lejepa-vits16-pretrain-in1k — предобученный методом LeJEPA визуальный энкодер для извлечения признаков из изображений. Модель разработана в рамках коллекции Open-Knowledge-AI ImageNet-1K SSL и обучена на 1,45 млн изображений ImageNet-1K. В основе — ViT-S/16 архитектуры ViT-v2 без register-токенов; основная ветка репозитория содержит чекпойнт после 300 эпох обучения. LeJEPA использует самоконтролируемое обучение без учителя, негативных примеров и эвристик: SIGReg регуляризует распределение латентных представлений, а функция потерь на инвариантность сохраняет их различающую структуру. Модель предназначена для получения векторных признаков изображений, которые можно использовать в последующих задачах компьютерного зрения. В README указано, что метрики доступны только для весов учителя; результаты линейной оценки, k-NN и прикладных оценок заявлены как ожидающие публикации. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

LeViT-128 — модель компьютерного зрения семейства LeViT, представленная авторами статьи «LeViT: a Vision Transformer in ConvNet's Clothing for Faster Inference» и выпущенная в репозитории Facebook. Она предварительно обучена на ImageNet-1k для классификации изображений с разрешением 224×224 и предсказывает один из 1000 классов ImageNet. Модель предназначена для распознавания объектов и сцен на изображениях, в том числе в сценариях, где важна быстрая обработка. Архитектура сочетает идеи Vision Transformer и свёрточных сетей; карточка указывает реализацию PyTorch. Лицензия — Apache-2.0.

LSNet-T — компактная модель компьютерного зрения из семейства LSNet, разработанного Ao Wang, Hui Chen, Zijia Lin, Jungong Han и Guiguang Ding. Это официальная реализация на PyTorch, опубликованная для работы CVPR 2025. Модель обучена на ImageNet-1K и предназначена прежде всего для классификации изображений. Архитектура LSNet основана на свёртках LS (Large-Small): большие ядра собирают информацию из широкого контекста, а малые агрегируют признаки. Вариант LSNet-T содержит 11,4 млн параметров и требует около 0,3 млрд FLOPs согласно README; авторы сообщают компромисс между точностью и вычислительной эффективностью. Репозиторий также описывает применение семейства LSNet в обнаружении объектов, сегментации экземпляров и семантической сегментации. Модель принимает изображения и выдаёт классовые предсказания. Карточка не сообщает поддержку языков, а описанная обучающая выборка — ImageNet-1K. Лицензия репозитория — MIT. Результаты скорости в README измерены на Nvidia RTX 3090, поэтому их нельзя напрямую переносить на другое оборудование; приведённые метрики относятся к ImageNet-1K.

Карточка модели jameslahm/lsnet_t_distill на Hugging Face совпадает с карточкой jameslahm/lsnet_t, поэтому описание составлено по ней. LSNet-T — компактная модель компьютерного зрения из семейства LSNet, разработанного Ao Wang, Hui Chen, Zijia Lin, Jungong Han и Guiguang Ding. Это официальная реализация на PyTorch, опубликованная для работы CVPR 2025. Модель обучена на ImageNet-1K и предназначена прежде всего для классификации изображений. Архитектура LSNet основана на свёртках LS (Large-Small): большие ядра собирают информацию из широкого контекста, а малые агрегируют признаки. Вариант LSNet-T содержит 11,4 млн параметров и требует около 0,3 млрд FLOPs согласно README; авторы сообщают компромисс между точностью и вычислительной эффективностью. Репозиторий также описывает применение семейства LSNet в обнаружении объектов, сегментации экземпляров и семантической сегментации. Модель принимает изображения и выдаёт классовые предсказания. Карточка не сообщает поддержку языков, а описанная обучающая выборка — ImageNet-1K. Лицензия репозитория — MIT. Результаты скорости в README измерены на Nvidia RTX 3090, поэтому их нельзя напрямую переносить на другое оборудование; приведённые метрики относятся к ImageNet-1K.

Nori — табличная фундаментальная модель Synthefy для регрессии методом обучения в контексте. Для прогноза ей передают несколько размеченных строк в качестве контекста и новые строки для предсказания; модель выдаёт результаты за один прямой проход без дообучения под конкретный набор данных. Она обучена только на синтетических данных. В основе лежит FeaturesTransformer примерно с 5,9 млн параметров и 16 слоями. Архитектура чередует внимание между признаками и строками, поддерживает пропуски и предсказывает распределение по 999 квантилям. Модель предназначена для регрессии на таблицах малого и среднего размера; в README приведены результаты оценки на 96 задачах из трёх открытых наборов бенчмарков. Практический предел связан с квадратичной сложностью внимания между строками: на больших таблицах и длинном контексте производительность уступает лучшим базовым методам, а размер контекста ограничен вычислительными затратами. Для использования доступны GPU и запасной режим на CPU. Лицензия — Apache-2.0.

RepVGG-A2 — сверточная модель классификации изображений, представленная авторами статьи RepVGG и обученная на ImageNet-1k. В репозитории timm она реализована через гибкую архитектуру BYOBNet и доступна для классификации, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит около 28,2 млн параметров, требует 5,7 GMACs и рассчитана на изображения размером 224 × 224. Её можно использовать как классификатор или как основу для извлечения признаков изображений. Для загрузки доступны веса PyTorch и safetensors; лицензия — MIT. Карточка не сообщает ограничений по применению или качества на задачах вне ImageNet-1k.

repvit_m2_3.dist_450e_in1k — модель классификации изображений семейства RepViT, обученная авторами статьи на ImageNet-1k с дистилляцией. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 23,7 млн параметров, имеет вычислительную стоимость 4,6 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий использует библиотеку timm и содержит веса в форматах PyTorch и safetensors. Модель предназначена для классификации изображений и извлечения визуальных признаков; сведения о поддержке естественных языков неприменимы. Распространяется по лицензии Apache-2.0.

timm/resnest269e.in1k — модель классификации изображений на архитектуре ResNeSt, разработанной на основе ResNet с механизмом Split Attention. Авторы статьи обучили её на ImageNet-1k; модель содержит 110,9 млн параметров и рассчитана на изображения размером 416 × 416 пикселей. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и векторов изображений. Для работы доступны веса PyTorch и safetensors; библиотека модели — timm. Модель подходит для распознавания объектов на изображениях и получения визуальных признаков для последующих задач. Карточка не описывает поддержку других наборов классов или языковых сценариев. Лицензия — Apache-2.0.

RF-DETR Large — модель сквозного обнаружения объектов на изображениях, основанная на семействе RF-DETR, представленном Robinson и соавторами и интегрированном в библиотеку Transformers. Этот чекпойнт внесён в Transformers пользователем stevenbucaille и обучен на COCO 2017 с 80 категориями объектов. Архитектура сочетает Vision Transformer в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многоуровневый проектор признаков и декодер Deformable DETR с запросами объектов. Семейство RF-DETR нацелено на обнаружение объектов в реальном времени с балансом точности и задержки. Модель принимает изображения и выдаёт обнаруженные объекты с метками и рамками. Модель распространяется в формате safetensors под лицензией Apache-2.0. Она предназначена для общего обнаружения объектов в пределах категорий COCO; качество на иных наборах категорий или в предметных областях README не описывает.

SAM2 Household Accuracy V3 — модель сегментации изображений, дообученная sshibinthomass на базе facebook/sam2.1-hiera-small для выделения бытовых объектов масками по подсказкам в виде ограничивающих рамок. Она возвращает несколько вариантов масок и оценки их IoU; в описанном режиме выбирается вариант с наибольшей предсказанной оценкой IoU. Модель построена на архитектуре SAM2 и предназначена для разметки бытовых объектов на изображениях. Для обучения использованы данные сегментации COCO 2017: 15 000 обучающих, 1 000 валидационных и 895 тестовых примеров. В README приведены IoU 0,782 на валидации и IoU 0,801 для выбранных кандидатов на тесте. Доступны веса safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Swin Transformer Large — модель компьютерного зрения на архитектуре Vision Transformer с иерархическими картами признаков и локальным вниманием в сдвигаемых окнах. Разработана авторами статьи Swin Transformer и обучена для классификации изображений на ImageNet-1k с разрешением 224×224 пикселя; модель выпущена в репозитории Microsoft. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Иерархическое объединение патчей позволяет использовать её также как основу для задач плотного распознавания после дополнительной настройки. Локальное внимание даёт линейную по размеру изображения сложность вычислений. Доступны форматы PyTorch и TensorFlow. Лицензия — Apache-2.0.

Swin-Tiny — модель компьютерного зрения семейства Swin Transformer, разработанная командой Microsoft и представленная в работе Liu et al. Она обучена на ImageNet-1k для классификации изображений размером 224×224 пикселя по 1 000 классам. Архитектура строит иерархические признаки, объединяя патчи на глубоких слоях и выполняя внимание внутри локальных окон со сдвигом. Это позволяет обрабатывать изображения с линейной относительно их размера вычислительной сложностью. Модель можно использовать как основу для классификации изображений и других задач плотного распознавания; для таких задач могут потребоваться дообученные версии. Доступны веса PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она предназначена для изображений с разрешением 224×224 и обучена распознавать классы ImageNet-1k; для специализированных категорий или иных задач может понадобиться дообучение.

Swin Transformer v2 Base — модель компьютерного зрения семейства Vision Transformer, представленная авторами Swin Transformer v2 и опубликованная командой Hugging Face. Она предварительно обучена на ImageNet-1k для классификации изображений с разрешением 256×256 и содержит около 33 млн параметров. Иерархическая архитектура объединяет патчи на более глубоких уровнях и вычисляет внимание в локальных окнах, формируя признаки для классификации и других задач распознавания изображений. В версии v2 применяются нормализация после остаточного блока с cosine attention для стабильности обучения и непрерывное смещение позиции с логарифмической шкалой для переноса на изображения более высокого разрешения. Модель принимает изображения и выдаёт класс из набора ImageNet-1k. Для использования указана лицензия Apache-2.0. Для прикладной задачи, отличной от классификации ImageNet, может потребоваться дообученная версия.

Swin Transformer V2 Base — модель компьютерного зрения, представленная авторами Swin Transformer V2 и опубликованная командой Hugging Face. Она предварительно обучена на ImageNet-1k для классификации изображений размером 256 × 256 и содержит около 33 млн параметров. Модель построена на архитектуре Vision Transformer: формирует иерархические карты признаков, объединяя патчи на более глубоких уровнях, а механизм внимания вычисляется внутри локальных окон. Это позволяет масштабировать вычисления линейно с размером изображения и использовать модель как основу для задач распознавания изображений. В Swin Transformer V2 применены residual-post-norm с косинусным вниманием для повышения стабильности обучения, непрерывное смещение позиций с логарифмическим масштабированием для переноса на изображения высокого разрешения и самоконтролируемое предварительное обучение SimMIM. Готовая модель предназначена для классификации изображений на 1000 классов ImageNet; для других задач компьютерного зрения можно использовать дообученные варианты. Лицензия — Apache 2.0.

Это модель классификации изображений на базе Swin Transformer V2, опубликованная авторами статьи и представленная в библиотеке timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 87,9 млн параметров и рассчитана на обработку изображений размером 384 × 384 пикселя. Модель предназначена для определения классов на изображениях; её также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов в задачах компьютерного зрения. В README приведены вычислительные характеристики: 55,3 GMACs и 280,4 млн активаций. Веса доступны в форматах PyTorch и Safetensors и используют библиотеку timm. Лицензия — MIT. Модель специализирована на классификации изображений ImageNet и может хуже работать на изображениях из других областей или при существенно отличающемся разрешении; показатели качества в предоставленных материалах не приведены.

VOLO-D4 — модель классификации изображений семейства Vision Outlooker, опубликованная в репозитории timm и обученная авторами статьи на ImageNet-1k с разметкой токенов. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит около 193,4 млн параметров, обрабатывает изображения размером 448 × 448 пикселей и требует значительных вычислительных ресурсов: заявленная сложность составляет 197,1 GMACs. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка показывает сценарии классификации и извлечения эмбеддингов, но не приводит оценки качества или ограничений по классам помимо обучения на ImageNet-1k.

AIM-7B — модель компьютерного зрения из семейства Autoregressive Image Models (AIM), разработанная Apple и представленная как часть проекта к исследовательской статье «Scalable Pre-training of Large Autoregressive Image Models». Это PyTorch-модель с авторегрессионным генеративным предварительным обучением признаков изображений; README описывает масштабирование семейства до миллиардов параметров и обучение на больших неотобранных коллекциях изображений. Модель предназначена для классификации изображений и использования визуального энкодера в сценариях компьютерного зрения. В README приведены результаты классификации ImageNet-1k на валидационной выборке с замороженным trunk. Данных о поддерживаемых естественных языках и длине контекста нет; модель принимает изображения и выдаёт классы или признаки для классификации. Репозиторий распространяется по лицензии Apple AMLR.