IV.1Ритейл, электронная коммерция и fashion-tech

tf_mixnet_l.in1k — модель классификации изображений семейства MixNet, обученная авторами оригинальной работы на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Модель содержит около 7,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель присваивает изображению метку класса из набора ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Архитектура MixNet применяет смешанные ядра глубинной свёртки; указанная вычислительная сложность составляет около 0,6 GMACs. Модель предназначена для задач компьютерного зрения общего назначения, в частности для классификации изображений и получения визуальных признаков. Репозиторий использует форматы PyTorch и safetensors и распространяется по лицензии Apache-2.0.

TS-Reasoner-7B — модель для рассуждений по числовым временным рядам, разработанная авторами проекта TS-Reasoner. Она объединяет языковую модель Qwen2.5-7B с замороженной моделью временных рядов TimesFM: представления рядов сопоставляются с текстовым пространством в ходе предварительного обучения на синтетических парах «временной ряд — описание» и последующего дообучения на инструкциях. В метаданных указаны архитектура Qwen2, 7,1 млрд параметров, библиотека Transformers и контекст 32 768 токенов. Модель предназначена для диалоговых запросов и генерации текстовых ответов о числовых временных рядах. При первом использовании код модели загружает основу TimesFM с Hugging Face. Карточка ссылается на исследовательскую статью и код проекта; лицензия в доступных данных не указана.

VFusion3D — модель генерации и реконструкции 3D-объектов по изображению, представленная исследователями Meta и Оксфордского университета; работа опубликована на ECCV 2024. Это крупная feed-forward модель семейства LRM, обученная на небольшом объёме 3D-данных и большом количестве синтетических данных с разных ракурсов, полученных с помощью видеодиффузионных моделей. Модель принимает изображение и по умолчанию выдаёт 3D-представление в виде плоскостей, пригодное для дальнейшей обработки. Также можно экспортировать 3D-сетку в формате OBJ или видео с рендерингом объекта с разных ракурсов. Подходит для быстрого преобразования изображений в объёмные объекты и прототипирования 3D-содержимого. Репозиторий содержит веса Safetensors; лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но некоммерческое.

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

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_640 — модель сегментации изображений на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для высококачественной и эффективной сегментации. Архитектура основана на Vision Transformer и использует подход без специализированного декодера сегментации или модулей слияния признаков по пикселям. Веса содержат около 402,7 млн параметров; модель опубликована в форматах PyTorch и Safetensors и предназначена для сегментации экземпляров объектов на изображениях COCO. Семейство EoMT также поддерживает семантическую и паноптическую сегментацию с постобработкой, но для этой модели в метаданных подтверждена задача сегментации изображений, а README показывает сценарий сегментации экземпляров. Модель опубликована 26 марта 2025 года и распространяется по лицензии MIT. README не приводит измерений качества, требований к ресурсам или подробностей об ограничениях применения.

crossvit_18_dagger_240.in1k — модель классификации изображений из библиотеки timm, обученная авторами CrossViT на ImageNet-1k. Она использует архитектуру CrossViT с перекрёстным вниманием между представлениями изображений разных масштабов и может служить классификатором или визуальным backbone для извлечения признаков. Модель содержит 44,3 млн параметров, имеет вычислительную сложность 9,5 GMACs и рассчитана на изображения размером 240 × 240 пикселей. Её можно применять для классификации изображений по классам ImageNet-1k и получения эмбеддингов изображений. Доступны веса PyTorch и safetensors; лицензия — Apache-2.0.

DaViT Small — модель компьютерного зрения для классификации изображений и извлечения признаков, обученная авторами статьи DaViT на ImageNet-1k и опубликованная в библиотеке timm. Архитектура Dual Attention Vision Transformer сочетает механизмы внимания для обработки визуальных данных. Модель содержит около 49,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. В карточке указана точность Top-1 84,25% и Top-5 96,94% на ImageNet-1k. Распространяется по лицензии Apache-2.0. Ограничена задачами анализа изображений и размером входа, на котором приведены характеристики; карточка не описывает поддержку других модальностей.

Карточка модели jozhang97/deta-resnet-50 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.

Карточка модели jozhang97/deta-resnet-50-24-epochs 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.

DPN-107 MXNet-1k — модель классификации изображений и извлечения признаков семейства Dual-Path Network. Её обучили авторы статьи на ImageNet-1k в MXNet, затем Ross Wightman перенёс веса в PyTorch. Репозиторий timm предоставляет модель в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель содержит 86,9 млн параметров, имеет вычислительную сложность 18,4 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Она подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Метаданные и карточка указывают задачу image-classification; описание также заявляет использование в качестве backbone для признаков. Модель работает с изображениями и выдаёт классы или признаки изображения. Обучение на ImageNet-1k ориентирует её на соответствующий набор визуальных категорий, поэтому перенос на другие области может потребовать дополнительной настройки.

FocalNet Base SRF — модель классификации изображений и извлечения визуальных признаков, опубликованная авторами FocalNet и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Модель содержит 88,1 млн параметров; указанный размер входного изображения — 224 × 224 пикселя, вычислительная сложность — 15,3 GMACs. Архитектура FocalNet использует механизм focal modulation. Модель принимает изображения и выдаёт предсказания классов либо визуальные признаки и эмбеддинги. Для использования опубликована по лицензии MIT. Карточка не указывает специализированные прикладные области или языковые возможности.

ustc-community предоставляет реализацию HGNet-V2 B4 для Transformers. Это сверточная модель семейства HGNet-V2, предназначенная для извлечения признаков из изображений; пример использования в карточке загружает модель как классификатор изображений и показывает выход с двумя логитами. Модель принимает изображение и возвращает признаки либо оценки классов в зависимости от используемой головы. Карточка не сообщает целевые классы или конкретную область применения. Репозиторий содержит веса в формате safetensors; лицензия не указана в доступных данных.

facebook/hiera-small-224-in1k-hf — модель компьютерного зрения семейства Hiera, представленная в статье «Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles». Это компактный иерархический Vision Transformer с примерно 33 млн параметров, дообученный для классификации изображений на ImageNet-1K. Чекпойнт предназначен прежде всего для классификации изображений; архитектуру также можно использовать для извлечения признаков и masked image modeling. Модель принимает изображения и выдаёт метки классов. В карточке заявлены эффективность и простота архитектуры; размер входа в названии чекпойнта — 224. Для использования доступны веса в формате safetensors и библиотека Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

LeViT Conv 384 fb dist in1k — модель классификации изображений из семейства LeViT, опубликованная авторами модели для библиотеки timm. Это вариант LeViT с 39,1 млн параметров, вычислительной сложностью 2,4 GMAC и входным размером 224 × 224 пикселя. Модель обучена на ImageNet-1k с дистилляцией; в указанном режиме использует линейные слои nn.Linear и nn.BatchNorm1d. Модель предназначена для присвоения изображениям классов ImageNet-1k и может использоваться как визуальный backbone для извлечения эмбеддингов и карт признаков. В карточке указана точность top-1 82,596% и top-5 96,012% на ImageNet-1k. Лицензия репозитория — Apache-2.0.

MaxViT Small TF 224 IN1K — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Оригинальную версию обучили авторы работы MaxViT на ImageNet-1k в TensorFlow; Ross Wightman перенёс веса в PyTorch, а модель опубликована в библиотеке timm. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Модель содержит 68,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура MaxViT сочетает блоки MBConv с двумя видами внимания: оконным и сеточным. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных. Для других предметных областей может потребоваться адаптация; в карточке также не приведены сведения о многоязычных или мультимодальных возможностях.

nostrbuild/nsfw-image-detection-large — модель классификации изображений на базе microsoft/focalnet-base с архитектурой FocalNetForImageClassification. Она относит изображения к одному из трёх классов: безопасное, сомнительное или небезопасное; размер входа, указанный в карточке, — 512×512 пикселей. Модель предназначена для первичной модерации изображений и фильтрации пользовательских загрузок в социальных сетях, интернет-магазинах, приложениях знакомств и образовательных сервисах. Модель принимает изображения и выдаёт метку класса. Карточка заявляет о настройке на NSFW-данных и приводит оценку точности свыше 95% на задачах обнаружения NSFW, но не описывает методику оценки, поэтому эти показатели не следует считать независимо подтверждёнными. Классификатор может ошибаться; для спорных или важных решений нужна проверка человеком. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

OneFormer — модель универсальной сегментации изображений, разработанная авторами статьи «OneFormer: One Transformer to Rule Universal Image Segmentation» и обученная на наборе COCO. Это крупная версия со Swin-бэкбоном, доступная в формате PyTorch и предназначенная для семантической, экземплярной и паноптической сегментации. Задача сегментации выбирается при инференсе с помощью токена задачи, поэтому одна архитектура поддерживает несколько видов разметки изображений. Модель подходит для анализа изображений, где требуется классифицировать пиксели, находить отдельные объекты или строить паноптическую карту сцены. Карточка указывает лицензию MIT. Результаты зависят от соответствия входных изображений и целевых объектов обучающим данным COCO; сведений о поддержке других наборов данных в карточке нет.

ResNetRS-420 — сверточная модель семейства ResNetRS для классификации изображений и извлечения признаков. Модель разработана авторами статьи «Revisiting ResNets: Improved Training and Scaling Strategies» и обучена на ImageNet-1k; в карточке также указана связь с работой «Deep Residual Learning for Image Recognition». Архитектура использует активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 в shortcut-связях. В модели около 191,9 млн параметров. Для обучения использовался размер изображения 320×320, для оценки — 416×416. Её можно применять для классификации изображений, получения карт признаков и векторных представлений изображений. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Sapiens-Pose-0.6B — модель Meta для оценки позы человека по изображению. Это Vision Transformer из семейства Sapiens, предварительно обученного на 300 млн изображений людей и дообученного для человеко-ориентированных задач. Модель содержит 0,664 млрд параметров, использует патчи 16×16 и рассчитана на обработку изображений высокого разрешения; указан размер изображения 1024×768 пикселей. Модель определяет 308 ключевых точек на одном изображении: тела, лица, кистей и ступней. Она предназначена для оценки позы людей в реальных условиях, включая случаи, когда размеченных данных мало или использовались синтетические данные. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

SenseNova-Vision-7B-MoT — мультимодальная модель компьютерного зрения от разработчиков SenseNova-Vision. Она представляет задачи восприятия как генерацию текста, изображений или их сочетания по текстовым инструкциям и визуальному вводу. Единый интерфейс охватывает структурированное понимание сцен, сегментацию, плотную геометрию и геометрию нескольких видов; модель работает без отдельных специализированных голов для каждой задачи. Модель предназначена для распознавания текста на изображениях, локализации объектов и областей по запросу, определения ключевых точек и параметров камеры, предсказания глубины и нормалей, построения карт точек и масок сегментации. Результаты могут представляться структурированным текстом, изображениями-картами или сочетанием текста и изображений. Для работы рекомендуется официальный код инференса SenseNova-Vision. Веса опубликованы в формате safetensors. Модель ориентирована на компьютерное зрение и поддерживает англоязычные инструкции. Результаты на плотной геометрии и позах камеры нужно проверять, а текстовые и графические выходы требуют соответствующего задаче разбора. Качество чувствительно к формулировке запроса, схеме вывода и визуальным подсказкам; на узкоспециализированных задачах специализированные модели могут быть точнее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

SlimSAM-uniform-77 — это компактная версия Segment Anything Model, опубликованная Zigeng Chen и соавторами из Learning and Vision Lab Национального университета Сингапура. Модель предназначена для генерации масок и сегментации объектов на изображениях; её сжатие выполнено методом чередующейся обрезки и дистилляции с использованием предварительно обученной SAM. В статье о SlimSAM описана модель с 5,7 млн параметров и вычислительной сложностью 21G MACs — соответственно 0,9% и 0,8% от исходной SAM-H. Для обучения использовано 0,1% данных, применявшихся при обучении базовой модели. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. README упоминает пример загрузки варианта SlimSAM-50, поэтому точные характеристики варианта uniform-77 по карточке не подтверждаются.

Maple728/TimeMoE-200M — модель временных рядов семейства Time-MoE, разработанная авторами работы «Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts». Репозиторий содержит веса модели с архитектурой mixture of experts для прогнозирования временных рядов; в метаданных указано 113,2 млн параметров и контекст 4096 токенов. Модель предназначена для прогнозирования будущих значений по последовательностям временных рядов и может использоваться в задачах анализа данных, меняющихся во времени. README отсылает к GitHub проекта за подробностями применения, но не описывает конкретные сценарии и показатели качества. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

timm/tnt_s_patch16_224.in1k — модель классификации изображений семейства TnT (Transformer in Transformer), опубликованная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 23,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель принимает изображения и выдаёт метки классов и оценки для классификации ImageNet-1k. Веса доступны в форматах PyTorch и safetensors; лицензия репозитория — Apache-2.0. Карточка не сообщает о поддержке других наборов классов или языковых задач.

Van-base — модель Visual Attention Network для классификации изображений, обученная на ImageNet-1k. Архитектура использует слой внимания на основе свёрток: обычные и крупные ядра, включая дилатированные свёртки, помогают учитывать локальные признаки и дальние зависимости на изображении. Модель предназначена для отнесения изображения к категориям ImageNet-1k и может служить основой для дальнейшей настройки под другие задачи компьютерного зрения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не приводит размер модели и длину контекста.

Карточка модели Visual-Attention-Network/van-tiny на Hugging Face совпадает с карточкой Visual-Attention-Network/van-base, поэтому описание составлено по ней. Van-base — модель Visual Attention Network для классификации изображений, обученная на ImageNet-1k. Архитектура использует слой внимания на основе свёрток: обычные и крупные ядра, включая дилатированные свёртки, помогают учитывать локальные признаки и дальние зависимости на изображении. Модель предназначена для отнесения изображения к категориям ImageNet-1k и может служить основой для дальнейшей настройки под другие задачи компьютерного зрения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не приводит размер модели и длину контекста.

saurabhati/VMamba_ImageNet_83.6 — модель визуального пространства состояний VMamba для классификации изображений. По карточке, это двунаправленная модель, дообученная на ImageNet; реализация не является официальной. Метаданные указывают архитектуру VMambaForImageClassification и формат весов safetensors. Модель предназначена для определения категорий объектов на изображениях и может использоваться как классификатор общего назначения или как отправная точка для экспериментов с визуальными моделями пространства состояний. Репозиторий распространяется по лицензии MIT.

VOLO-D2 — модель классификации изображений семейства Vision Outlooker, опубликованная в timm и обученная авторами статьи на ImageNet-1k с разметкой токенов. Она предназначена для определения классов на изображениях и может использоваться как визуальный backbone для извлечения признаков. Модель содержит 58,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch и safetensors; для работы с моделью используется библиотека timm. Apache-2.0 разрешает её коммерческое и иное использование на условиях этой лицензии. Карточка также показывает сценарий получения эмбеддингов изображений, однако основной задачей остаётся классификация. Описанные характеристики и обучение относятся к ImageNet-1k; качество на других наборах данных отдельно не указано.

caformer_m36.sail_in22k_ft_in1k_384 — модель классификации изображений и извлечения признаков семейства CAFormer, разработанная авторами работы MetaFormer baselines for vision. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 56,2 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как основу для компьютерного зрения и обработки изображений в приложениях на базе PyTorch и библиотеки timm. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Описание не приводит ограничений по применению; качество на задачах и наборах данных, отличных от ImageNet, отдельно не охарактеризовано.

CrossViT Base 240 — модель классификации изображений и извлечения визуальных признаков, обученная авторами статьи CrossViT на ImageNet-1k. Она использует многомасштабную архитектуру Vision Transformer с перекрёстным вниманием между масштабами. Модель содержит около 105 млн параметров, рассчитана на изображения размером 240 × 240 пикселей и требует примерно 21,2 GMACs на проход. Модель подходит для классификации изображений по категориям ImageNet-1k, а также для получения визуальных эмбеддингов как основы для последующих задач компьютерного зрения. Она принимает изображение и выдаёт классовые оценки либо признаки изображения. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.