IV.1Ритейл, электронная коммерция и fashion-tech

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

glazzova/body_complexion — дообученная модель классификации изображений на базе ResNet-50 от Microsoft. Она определяет тип телосложения мужчины по изображению и относит его к одной из четырёх категорий: худощавое, обычное, полное или очень мускулистое. Модель построена для сценариев анализа телосложения в фитнес-сервисах, подбора одежды и фильтрации визуального контента по типу фигуры. Модель принимает изображение и выдаёт метку класса. Веса опубликованы в формате PyTorch для библиотеки Transformers. Лицензия — Apache-2.0. Описание не сообщает о точности и составе обучающего набора помимо использования изображений мужчин с разным телосложением; поэтому надёжность предсказаний для различных условий съёмки и групп пользователей не установлена.

CaiT M48 448 — модель классификации изображений на архитектуре CaiT (Class-Attention in Image Transformers), опубликованная авторами библиотеки timm. Она предварительно обучена на ImageNet-1k с дистилляцией, имеет 356,5 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Модель можно использовать для классификации изображений и извлечения визуальных признаков; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для сценариев распознавания объектов и категорий на изображениях общего назначения. Большой размер и вычислительная нагрузка — 329,4 GMACs — требуют значительных ресурсов для инференса. Лицензия репозитория — Apache-2.0.

ChatTime-1-7B-Base — мультимодальная базовая модель для временных рядов и текста, разработанная Chengsen Wang и соавторами. Она рассматривает временные ряды как отдельный язык и построена непрерывным предварительным обучением LLaMA-2-7B-Base на наборе ChatTime-1-Pretrain-1M. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Модель предназначена для прогнозирования временных рядов без дообучения, прогнозирования с контекстными подсказками и ответов на вопросы о временных рядах. Она поддерживает двунаправленный обмен данными между временными рядами и текстом: принимает и выдаёт оба типа данных. В README заявлены эксперименты на нескольких задачах и сценариях, но конкретные показатели качества здесь не приведены. Лицензия — Apache-2.0.

ChatTime-1-7B-Chat — мультимодальная модель для работы с временными рядами и текстом, разработанная авторами ChatTime. Она построена на архитектуре LlamaForCausalLM и получена дообучением ChatTime-1-7B-Base на наборе ChengsenWang/ChatTime-1-Finetune-100K. Модель содержит 6,6 млрд параметров, принимает контекст длиной до 4096 токенов и распространяется в формате safetensors. Модель предназначена для прогнозирования временных рядов, в том числе без примеров для конкретного ряда, прогнозирования с текстовым контекстом и ответов на вопросы о временных рядах. README указывает на двунаправленную работу с текстом и временными рядами, но не приводит подробностей кодирования временных рядов. Метаданные указывают Apache-2.0; заявлены возможности модели для исследований и практического применения, однако README отсылает за деталями обучения и оценок к статье.

CleanDIFT — метод и набор чекпойнтов от авторов исследования «CleanDIFT: Diffusion Features without Noise» для извлечения признаков изображений непосредственно из чистого входа с помощью диффузионных моделей. Он предназначен для получения признаков без шума и зависимости от шага диффузии, чтобы использовать их в последующих задачах компьютерного зрения: поиске семантических соответствий, оценке глубины, семантической сегментации и классификации. В репозитории представлены чекпойнты для Stable Diffusion 1.5 и Stable Diffusion 2.1; файлы представлены в формате safetensors. Подход устраняет необходимость добавлять шум во входное изображение и подбирать уровень шума как гиперпараметр для каждой задачи. По карточке, обучение метода занимает около 30 минут на одной GPU. Лицензия репозитория — MIT.

ConvNeXt-V2 Nano — сверточная модель классификации изображений из семейства timm. Она предварительно обучена с помощью FCMAE (fully convolutional masked autoencoder), а затем дообучена на ImageNet-22k и ImageNet-1k. В модели около 15,6 млн параметров; для оценки в карточке указаны изображения размером 288 × 288 пикселей, при обучении использовался размер 224 × 224. Модель подходит для присвоения изображениям меток классов ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В README приведены показатели качества и скорости для разных моделей семейства ConvNeXt-V2, но не отдельные результаты этой Nano-версии. Репозиторий содержит веса PyTorch и safetensors и использует библиотеку timm. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

DarkNet-53 — модель классификации изображений и извлечения признаков, разработанная авторами архитектуры DarkNet и обученная командой timm на ImageNet-1k. Вариант c2ns_in1k использует рецепт обучения на основе ResNet Strikes Back C: оптимизатор SGD с Nesterov, адаптивное ограничение градиентов AGC и косинусное расписание скорости обучения с разогревом. В этой вариации не используется stochastic depth. Модель содержит 41,6 млн параметров и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Размер изображения при обучении — 256 × 256 пикселей, при тестировании — 288 × 288. Это визуальный энкодер общего назначения, обученный на ImageNet-1k; сведения о поддержке текстовых или иных модальностей отсутствуют. Распространяется по лицензии Apache-2.0.

Data2vec-Vision Base FT1k — модель компьютерного зрения семейства data2vec-vision, выпущенная командой Facebook. Это BEiT-модель с трансформерной архитектурой, предварительно обученная методом самообучения и дообученная для классификации изображений на ImageNet-1k: 1,2 млн изображений и 1000 классов. Размер модели — 119,5 млн параметров. Модель предназначена для отнесения изображений к классам ImageNet-1k. В описании указаны входное разрешение 224×224 и точность top-1 83,97% на ImageNet-1k; более высокое разрешение при дообучении может дать лучшие результаты. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

eca_botnext26ts_256.c1_in1k — модель классификации изображений, созданная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Архитектура BotNet сочетает блоки на основе ResNeXt с эффективным канальным вниманием; модель реализована через гибкую архитектуру BYOBNet. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache 2.0. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Рассчитана на входные изображения размером 256 × 256 пикселей; содержит около 10,6 млн параметров и требует примерно 2,5 GMACs на обработку изображения. Конфигурация настроена на разумное время обучения и использует меньше блоков self-attention, чем некоторые варианты BotNet. Обучение выполнено на ImageNet-1k по рецептам ResNet Strikes Back C с оптимизатором SGD с Nesterov, адаптивным обрезанием градиента и косинусным расписанием скорости обучения с разогревом. Карточка отмечает, что конфигурация не повторяет в точности конкретную публикацию. Модель предназначена для визуальных задач общего назначения, а её качество вне ImageNet-1k отдельно не охарактеризовано.

EfficientViT-L2 — модель компьютерного зрения семейства EfficientViT, опубликованная авторами исследовательской работы MIT. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как базовая сеть для извлечения карт признаков и визуальных эмбеддингов. Модель содержит 63,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель доступна в форматах PyTorch и Safetensors через библиотеку timm. Лицензия Apache-2.0. В карточке заявлены классификация ImageNet-1k и извлечение признаков; качество на других наборах данных и ограничения по применению в README не описаны.

EVA Large patch14 336 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она реализована в библиотеке timm; согласно карточке, авторы статьи EVA предварительно обучили её на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, а затем дообучили на ImageNet-1k. В модели около 304,5 млн параметров, стандартный размер входного изображения — 336 × 336 пикселей. Модель можно использовать для определения объектов и сцен на изображениях по классам ImageNet-1k, а также как визуальный backbone для получения эмбеддингов и построения прикладных систем компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors; чекпойнты timm сохранены в float32. Лицензия — MIT. Модель обрабатывает изображения и выдаёт оценки классов либо визуальные представления. Её классификация ориентирована на набор классов ImageNet-1k; качество на других предметных областях и при других размерах входа в карточке не описано.

prithivMLmods/Fashion-Hut-Modeling-LoRA — адаптер LoRA для генерации изображений из текста на базе black-forest-labs/FLUX.1-dev, разработанный prithivMLmods. Модель ориентирована на создание реалистичных fashion- и modeling-фотографий, рекламных постеров и сцен с моделями, одеждой и стилизованными образами. Для активации рекомендуется использовать триггерную фразу «Modeling of». Предусмотрена интеграция с Diffusers, веса доступны в формате Safetensors. Адаптер обучен на 14 изображениях высокого разрешения. Указаны network dimension 64, network alpha 32, 16 эпох и 2900 шагов; рекомендуемый размер генерации — 1024 × 1024. В примерах используются англоязычные текстовые описания, а поддерживаемая базовая модальность — текст-в-изображение. README не сообщает точные языковые ограничения базовой модели или максимальную длину контекста. Сильная сторона модели — специализация на эстетике модной фотографии, позировании, одежде и реалистичной подаче. При этом модель всё ещё находится на стадии обучения и не является финальной версией, поэтому может создавать артефакты и работать нестабильно в отдельных случаях. Условия использования определены лицензией creativeml-openrail-m.

Falah/fashion-model — модель генерации изображений на основе Stable Diffusion, дообученная Falah методом DreamBooth на концепции, связанной с модой. Её можно использовать для создания изображений по текстовым описаниям и проверки освоенной концепции в интерфейсе AUTOMATIC1111; в карточке также упоминается fast-Colab-A1111. Модель распространяется в формате Diffusers/PyTorch с весами Safetensors и лицензией CreativeML OpenRAIL-M. Карточка не приводит подробностей о датасете, разрешении или конкретных стилевых характеристиках изображений.

FlexiViT Base 300ep IN1K — модель классификации изображений семейства Vision Transformer. Её обучили авторы статьи на ImageNet-1k с использованием JAX, а Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней 86,6 млн параметров, а указанное в карточке разрешение изображения — 240 × 240 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Обучение на ImageNet-1k позволяет применять её для распознавания объектов из набора классов ImageNet; FlexiViT разработана для работы с разными размерами патчей. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или другие специальные условия применения.

Это квантованная версия дообученной модели FLUX.2-klein-4B от Black Forest Labs, опубликованная codeShare. Она предназначена для генерации и редактирования изображений по текстовым инструкциям, в частности для пакетной компоновки объектов переднего плана и фонов в квадратные изображения 1024×1024 для подготовки данных к обучению LoRA-моделей генерации изображений. Карточка описывает запуск в Google Colab или Kaggle на GPU T4; для двух T4 автор указывает примерно вдвое более быструю обработку по сравнению с одной T4. Модель распространяется в формате Diffusers и Safetensors с лицензией Apache-2.0. В метаданных указаны английский язык и задача text-to-image. Карточка также описывает редактирование изображений с помощью промпта и входных изображений переднего плана и фона. Точные параметры квантования и размер модели в метаданных не приведены.

Gemma-iraqi-finetune-v2 — разговорная модель для общения на иракском диалекте арабского языка, созданная Ameer4wisam на основе google/gemma-4-E12B-it. Модель дообучена методом LoRA, затем объединена с базовыми весами в формате bf16; README описывает настройку только языковых слоёв. В метаданных указаны архитектура Gemma 4 Unified, плотная модель и формат safetensors. Модель предназначена для коротких прямых ответов в диалогах о продажах, покупках, услугах и повседневных ситуациях. В сценариях продавца её можно использовать для ведения беседы, ответов по переданному каталогу и понимания уточняющих вопросов в контексте. Карточка сообщает об обучении на 163 429 диалогах и проверке диалогов до 12 ходов; поддержка общения на арабском и английском указана в метаданных, но специализация — иракский диалект. Для надёжной работы с ценами и другими фактами README рекомендует передавать явный каталог и использовать детерминированную генерацию; скидки и итоги следует рассчитывать внешним кодом. Модель может придумывать числа, ошибаться в вычислениях, предлагать замену отсутствующему товару и отвечать хуже за пределами продаж и услуг. Лицензия — Gemma; применяйте модель на условиях лицензии Google Gemma.

MaxViT-Tiny-TF-512.in1k — модель классификации изображений из семейства MaxViT, обученная авторами оригинальной работы на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Архитектура MaxViT сочетает блоки свёртки MBConv с двумя механизмами self-attention: оконным и сеточным. Версия Tiny содержит 31 млн параметров, рассчитана на входные изображения 512 × 512 пикселей и требует 33,5 GMACs. В репозитории доступны веса PyTorch и safetensors; модель работает с библиотекой timm и обучена на ImageNet-1k. Модель подходит для классификации изображений общего назначения и получения визуальных признаков. Её классификационные способности связаны с классами ImageNet-1k, поэтому качество на специализированных областях или иных наборах категорий может требовать дополнительной настройки. Лицензия — Apache-2.0.

joshvm/milliontrees-detr — модель компьютерного зрения для обнаружения объектов на изображениях, опубликованная пользователем joshvm на Hugging Face. Модель предназначена для поиска объектов и определения их ограничивающих рамок на изображении; в метаданных она классифицирована как object-detection и связана с архитектурой Deformable DETR. Для работы предполагается использование библиотеки Transformers и формата Safetensors. README содержит автоматически сгенерированную карточку без сведений о разработчике, обучающих данных, результатах оценки, лицензии, поддерживаемых языках или специализированной области применения. Поэтому модель можно рассматривать как базовый компонент для приложений визуального анализа, но её точность, устойчивость к различным условиям съёмки и пригодность для конкретных классов объектов необходимо проверять самостоятельно.

Modelshoot Style — модель генерации изображений по текстовому описанию, созданная автором карточки на основе Stable Diffusion 1.5 методом DreamBooth и обученная на разнообразных фотографиях людей. Она предназначена для создания портретов и изображений людей в полный или средний рост с одеждой и эстетикой модной фотосъёмки. Для вызова стиля автор рекомендует добавлять в промпт фразу «modelshoot style», а также указывать персонажа и место действия; модель лучше работает с высоким вертикальным соотношением сторон. Модель доступна в формате Diffusers с весами safetensors и распространяется по лицензии CreativeML OpenRAIL-M. При удалённом от камеры персонаже качество лица обычно снижается, а сходство знаменитостей может быть хуже; обучение на разрешении 512×512 также ограничивает детализацию, которую автор предлагает улучшать с помощью inpainting.

Salesforce/moirai-moe-1.0-R-base — исследовательская модель семейства Moirai, опубликованная Salesforce. Она предназначена для прогнозирования временных рядов и относится к предварительно обученным моделям общего назначения для этой задачи. В репозитории указано около 99,1 млн параметров; веса представлены в формате safetensors. Модель можно применять как основу для экспериментов и оценки подходов к прогнозированию временных рядов. Разработчики предупреждают, что её не оценивали для всех сценариев применения, поэтому перед внедрением следует проверять точность и учитывать риски ошибок, особенно в ситуациях с серьёзными последствиями. Лицензия CC BY-NC 4.0 разрешает использование на условиях указанных ограничений, включая некоммерческий характер лицензии.

PoolFormerV2 M48 — модель классификации изображений и визуальная основа для извлечения признаков из семейства MetaFormer. Её обучили авторы статьи на ImageNet-1k. Модель содержит 73,3 млн параметров, выполняет 11,6 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов, например как компонент компьютерного зрения в прикладных системах. Репозиторий содержит веса PyTorch и Safetensors; модель распространяется по лицензии Apache-2.0. Карточка не описывает ограничения качества за пределами обучения и оценки на ImageNet-1k.

RegNetY-32GF — свёрточная модель компьютерного зрения для классификации изображений, представленная в библиотеке timm. Она содержит около 145 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Модель сначала прошла слабоконтролируемое предобучение SWAG на примерно 3,6 млрд изображений Instagram с хештегами, затем была дообучена авторами статьи на ImageNet-1k. Модель подходит для присвоения изображению меток классов ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. В README для классификации указана точность top-1 86,84% и top-5 98,364% на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors; для использования предусмотрена библиотека timm. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

ResMLP Big 24 — модель классификации изображений и извлечения признаковых представлений, опубликованная авторами статьи ResMLP и обученная на ImageNet-1k. Она построена на архитектуре ResMLP, использует входные изображения размером 224 × 224 пикселя и содержит около 129,1 млн параметров; вычислительная сложность составляет 100,2 GMACs. Модель подходит для классификации изображений по классам ImageNet-1k и как визуальный backbone для получения эмбеддингов. Она принимает изображения и выдаёт метки классов либо векторные представления. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

ResNetV2-101x3 BiT — модель классификации изображений из библиотеки timm, основанная на предактивационной ResNet и подходе Big Transfer. Её авторы предварительно обучили на ImageNet-21k, а затем дообучили на ImageNet-1k. Модель содержит около 387,9 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Архитектура использует Group Normalization и Weight Standardization вместо Batch Normalization. Модель предназначена для классификации изображений, а также может служить визуальным backbone для извлечения признаковых карт и эмбеддингов. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Высокая вычислительная стоимость и обучение на ImageNet ограничивают её применимость задачами, существенно отличающимися от классификации изображений общего назначения.

Модель robertou2/roberta-base-bne-finetuned-amazon_reviews_multi — испаноязычная RoBERTa, дообученная на наборе amazon_reviews_multi для классификации текстов отзывов. Она содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. В README модель названа учебной пробой курса NLP; на оценочной выборке указаны accuracy 0,9325 и loss 0,2368. Модель подходит для автоматической классификации отзывов Amazon и экспериментов с анализом пользовательских мнений. Карточка не уточняет набор меток, разбиение данных и ограничения применения, поэтому конкретную интерпретацию классов следует проверить перед использованием. Лицензия — Apache-2.0.

Sapiens2-5B-Body-Part — модель Meta для попиксельной сегментации частей человеческого тела на изображениях. Она выделяет 29 классов: 28 частей тела и фон. Модель построена на Vision Transformer Sapiens2 с предобученным backbone facebook/sapiens2-pretrain-5b и специализированной головой сегментации; в репозитории указано 5,3 млрд параметров, формат весов — safetensors. Модель предназначена для анализа изображений с людьми и исследований в области человекоцентричного компьютерного зрения. Лицензия указана как Sapiens2 License, а в метаданных Hugging Face — как other; перед использованием следует ознакомиться с условиями лицензии проекта.

Swin Large Patch4 Window12 384 — модель компьютерного зрения семейства Swin Transformer, опубликованная Microsoft и предобученная на ImageNet-21k: 14 млн изображений и 21 841 класс. Она предназначена прежде всего для классификации изображений; иерархические карты признаков также позволяют использовать архитектуру как основу для задач плотного распознавания. Модель разбивает изображение на патчи и выполняет self-attention в локальных окнах, сдвигая окна между слоями. Это обеспечивает линейную сложность вычислений относительно размера изображения. Вариант обучался при разрешении 384×384. Карточка не сообщает число параметров и поддерживаемые естественные языки. Доступны веса PyTorch и TensorFlow. Для работы модели требуется изображение; результат классификации — метка класса. Модель предобучена на ImageNet-21k, поэтому её классы и качество на других наборах данных могут не соответствовать конкретному сценарию без дополнительной настройки. Лицензия — Apache-2.0.

SwinV2 CR Small NS 224 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Это независимая реализация Swin Transformer V2, созданная Кристофом Райхом и Россом Уайтманом до выхода официального кода; веса предварительно обучены Россом Уайтманом на ImageNet-1k. Модель содержит около 49,7 млн параметров и рассчитана на изображения размером 224 × 224. Архитектура использует иерархический Swin Transformer V2; вариант NS применяет LayerNorm в конце каждого этапа. Модель также подходит для получения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Она предназначена для обработки изображений и не описана как мультимодальная; качество на задачах и наборах данных, отличных от ImageNet-1k, отдельно не характеризуется.

tf_efficientnet_b5.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Росс Уайтман перенёс веса в PyTorch. Модель содержит 30,4 млн параметров и рассчитана на изображения размером 456 × 456 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Репозиторий содержит веса PyTorch в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях применимости помимо обучения на ImageNet-1k.