IV.1Ритейл, электронная коммерция и fashion-tech

CvT-w24-384-22k — сверточный Vision Transformer для классификации изображений. Модель разработана авторами статьи «CvT: Introducing Convolutions to Vision Transformers» и предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k. Модель принимает изображение размером 384×384 пикселя и предсказывает один из 1 000 классов ImageNet. Её можно использовать для распознавания объектов на фотографиях и других изображениях; репозиторий содержит веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она предназначена для классификации в рамках классов ImageNet и может хуже работать с изображениями, содержанием или распределением данных, отличающимися от обучающих наборов.

DirectSAM-1800px-0424 — модель сегментации изображений из работы «Subobject-level Image Tokenization», разработанная Делонгом Ченом, Сэмюэлом Кахьявая, Цзяньфэном Лю, Баоюанем Вангом и Паскалем Фунгом. Она предназначена для выделения границ объектов на изображениях и получения масок сегментации на уровне подобъектов. Модель построена на архитектуре SegFormer с 84,6 млн параметров. Финальный многоклассовый классификатор заменён одноклассовым, а все параметры дообучены на SA-1B. Обучение включало этапы с разрешениями 1024×1024 и 1800×1800 пикселей. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Модель подходит для сегментации и выделения границ на изображениях высокого разрешения. Карточка не сообщает отдельную лицензию, поэтому условия использования следует сверить в репозитории модели.

Это крупная модель EoMT-DINOv3 для сегментации отдельных объектов на изображениях. Она использует архитектуру Encoder-only Mask Transformer на основе Vision Transformer DINOv3 ViT-L/16 с позиционными rotary embeddings и содержит около 402,7 млн параметров. Модель обучена на COCO и рассчитана на изображения с разрешением 1280×1280; для сегментации применяются разные варианты постобработки общей архитектуры. Модель предназначена для выделения масок отдельных объектов на изображении и может использоваться в компьютерном зрении для анализа изображений и подсчёта объектов. README связывает архитектуру EoMT с исследовательской работой, представленной на CVPR 2025; данных о самостоятельных ограничениях качества нет. Репозиторий распространяется под лицензией MIT.

FocalNet Tiny LRF — модель классификации изображений и извлечения визуальных признаков из семейства FocalNet. Её разработали авторы статьи Focal Modulation Networks; веса предварительно обучены на ImageNet-1k. Модель содержит 28,6 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 4,5 GMACs. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как визуальный backbone в компьютерном зрении или как основу для задач, требующих представления изображения. В репозитории указаны веса PyTorch и Safetensors, библиотека timm и лицензия MIT. Модель работает с изображениями; языковые входы и генерация текста не заявлены. Её классификация ориентирована на категории ImageNet-1k, поэтому применение к другим наборам данных может потребовать адаптации.

gernet_l.idstcv_in1k — сверточная модель классификации изображений семейства GENet (GPU-Efficient Networks), обученная авторами статьи на ImageNet-1k и представленная в библиотеке timm. Она предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель реализована на конфигурируемой архитектуре BYOBNet и содержит 31,1 млн параметров. Для неё указаны 4,6 GMACs, 8 млн активаций и размер входного изображения 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате safetensors. Модель подходит для классификации изображений и построения признаков для последующих компьютерно-зрительных задач. Она обучена на ImageNet-1k, поэтому её качество и классы ориентированы на эту выборку; карточка не описывает поддержку иных задач как готовых решений. Лицензия — Apache-2.0.

GLaMM-RefSeg — модель MBZUAI для сегментации объектов по текстовому описанию: она связывает выражение на естественном языке с соответствующей областью изображения и выделяет её. В README модель отнесена к семейству GLaMM и предназначена для задач referring expression segmentation. Модель построена на архитектуре LLaVA и имеет 6,6 млрд параметров; для неё указан контекст длиной 4096 токенов и формат весов PyTorch. Метаданные Hugging Face помечают её как text-generation, однако заявленное в README назначение — сегментация по текстовому запросу. Лицензия — Apache-2.0. Подробности о языках запросов и метриках качества в доступных материалах не приведены.

Kairos-10M — компактная модель временных рядов, опубликованная mldi-lab и представленная в исследовательской работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения на конкретной задаче и ориентирована на работу с данными из разных областей. Модель использует трансформерную архитектуру с адаптивной токенизацией патчей, кодировщиком с выбором размера токенов и динамическим позиционным кодированием DRoPE. В карточке указаны 3,7 млн параметров и контекст 512 токенов; README приводит приблизительную оценку в 10 млн параметров. Обучение проводилось на корпусе PreSTS, включающем более 300 млрд точек временных рядов. Kairos-10M заявлена как эффективная модель с обобщением на новые временные ряды без дополнительного обучения. Она работает с числовыми последовательностями и выдаёт прогнозы; сведения о поддерживаемых языках в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

cringepnh разработал модель классификации корейских отзывов о покупках в Naver Shopping по четырём оценкам: 1, 2, 4 и 5. Это дообученный энкодер ELECTRA на базе monologg/koelectra-base-v3-discriminator с архитектурой ElectraForSequenceClassification; модель содержит 140,1 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель подходит для автоматической оценки отзывов покупателей и анализа качества товаров или обслуживания по корейским текстам. На указанном тестовом наборе она получила точность 71,66% и QWK 0,837. Оценка 3 отсутствует в обучающей выборке и среди выходных классов, поэтому модель не может её предсказать. Для применения на естественном потоке отзывов потребуется корректировать вероятности классов: исходный набор сбалансирован иначе, чем реальные оценки Naver Shopping. В README указана низкая полнота для оценки 4 — 13,5%, а также ограничение предметной областью отзывов Naver Shopping. Модель распространяется по лицензии MIT; для исходного набора данных отдельно заявлена лицензия Public Domain.

Mask2Former — модель компьютерного зрения, разработанная командой Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Эта крупная версия использует Swin в качестве backbone и обучена на COCO для паноптической сегментации изображений. Модель предсказывает набор масок и соответствующих им меток. Архитектура Mask2Former также охватывает сегментацию экземпляров и семантическую сегментацию, однако данный чекпойнт предназначен для паноптической сегментации. В конструкции используются многомасштабный декодер признаков с deformable attention и Transformer-декодер с masked attention. Модель принимает изображения и выдаёт сегментационные маски с метками классов. Репозиторий содержит веса PyTorch. Лицензия указана как other, поэтому перед использованием следует свериться с условиями лицензирования репозитория.

PixVL-latest-combo-gcg-sft — опубликованный экспорт обученной модели PixVL, разработанный на основе Qwen3-VL-4B-SAMTok и предназначенный для сегментации изображений. Модель использует архитектуру Qwen3-VL и формат весов safetensors; карточка Hugging Face отмечает задачу image-segmentation. Экспорт подготовлен из сборки latest_combo_gcg_sft_8g_20260731. Модель подходит для сегментации объектов на изображениях, в том числе в сценариях визуального grounding. Она выпущена для исследовательского использования и наследует лицензию MIT и ограничения по использованию базовой модели Qwen3-VL-4B-SAMTok.

Sapiens-0.3B — разработанная Meta модель компьютерного зрения на архитектуре Vision Transformer, предварительно обученная на 300 миллионах изображений людей. Она предназначена для извлечения признаков из изображений, дообучения под задачи анализа людей или использования как основы для обучения новых моделей. Модель содержит 336 млн параметров, принимает изображения размером 1024 × 1024 и поддерживает высокоточное инференс-разрешение 1K; архитектура включает 24 слоя, 16 голов внимания, размер эмбеддинга 1024 и патчи 16 × 16. Предварительное обучение на большом наборе изображений людей помогает модели обобщать на реальные условия съёмки, в том числе при малом количестве размеченных данных или использовании синтетической разметки. Репозиторий содержит исходные веса PyTorch. Лицензия Creative Commons Attribution-NonCommercial 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

SENet-154 — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецептам Bag of Tricks с использованием Apache Gluon. В ней применены блоки Squeeze-and-Excitation для внимания к каналам, трёхслойный stem из свёрток 3×3 с пулингом и групповые свёртки в bottleneck-блоках. Модель содержит около 115,1 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k; её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Большое число параметров и вычислительная стоимость около 20,8 GMACs могут быть ограничением при работе на устройствах с небольшими ресурсами. Распространяется по лицензии Apache-2.0.

Swin Transformer Large — модель компьютерного зрения семейства Swin Transformer, представленная авторами статьи Liu et al. и опубликованная Microsoft. Она обучена на ImageNet-1k и предназначена для классификации изображений по 1000 классам ImageNet; также может служить основой для дообучения на задачах плотного распознавания объектов. Архитектура строит иерархические карты признаков, объединяя патчи изображения на более глубоких уровнях. Механизм внимания работает внутри локальных окон со сдвигом, поэтому вычислительная сложность растёт линейно с размером изображения. Модель рассчитана на изображения с разрешением 384×384 и доступна в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Карточка указывает классификацию изображений как основной сценарий; для других задач потребуется подходящая дообученная версия.

Swin Transformer v2 Base — модель компьютерного зрения, выпущенная командой Microsoft Research и представленная в работе Liu и соавторов. Она предварительно обучена на ImageNet-21k и дообучена для классификации изображений на ImageNet-1k при разрешении 256×256. Модель содержит около 33 млн параметров и использует иерархическую архитектуру Vision Transformer: объединяет патчи на более глубоких уровнях и вычисляет внимание в локальных окнах, что снижает рост вычислений с размером изображения. Модель предназначена прежде всего для присвоения изображениям одного из 1000 классов ImageNet. Её иерархические признаки также могут использоваться как основа для задач плотного распознавания после дополнительной адаптации. В Swin Transformer v2 применены нормализация после остаточного блока, косинусное внимание и непрерывное смещение позиции, помогающее переносить обучение на изображения высокого разрешения. Модель принимает изображения и выдаёт оценки классов. Карточка указывает лицензию Apache-2.0. Для задач, отличающихся от классификации ImageNet-1k, потребуется подходящая дообученная версия или дополнительная адаптация.

Timer-Base-84M — однофакторная модель временных рядов, опубликованная командой THUML. Это авторегрессионный Transformer с архитектурой decoder-only, обученный на 260 млрд временных точек; в версии 83,9 млн параметров, 8 слоёв и длина патча 96. Модель предназначена для генеративного прогнозирования временных рядов без дообучения (zero-shot), включая проверку на наборах TSLib. Модель принимает числовой временной ряд и предсказывает его будущие значения. В README указана длина контекста до 2880 точек, тогда как метаданные каталога указывают нативный контекст 10 000 токенов. Репозиторий использует библиотеку timer и формат safetensors; лицензия — Apache-2.0. README отмечает, что качество модели ещё можно улучшать.

MidnightRunner/Ultralytics — коллекция моделей для интеграции Ultralytics с ComfyUI. По метаданным, она объединяет модели Ultralytics YOLO11 и YOLOv8; каталог указывает задачу обнаружения объектов. README описывает загрузку изображений и применение моделей для детекции и сегментации через узел Ultralytics в ComfyUI. Модели работают с изображениями и выдают результаты обнаружения объектов; карточка также упоминает модели сегментации. Репозиторий использует PyTorch, а файлы весов имеют формат .pt. В метаданных указан английский язык карточки, но это не свидетельствует об ограничении языка самой модели, поскольку она предназначена для компьютерного зрения. Лицензия — AGPL-3.0. README предупреждает о рисках загрузки pickle-файлов и советует использовать веса только из доверенных источников; способ установки и загрузки зависит от ComfyUI и PyTorch.

Карточка модели facebook/vfusion3d на Hugging Face совпадает с карточкой jadechoghari/vfusion3d, поэтому описание составлено по ней. 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.

Это модель Vision Transformer для классификации изображений, разработанная в экосистеме timm. Вариант архитектуры использует позиционные кодировки RoPE, регистровые токены и глобальное усреднение признаков; модель содержит около 38,7 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель обучена на ImageNet-1k и предназначена для отнесения изображений к классам этого набора данных. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В README приведены сравнительные результаты близких вариантов архитектуры, но не отдельные метрики именно этой модели. Для работы нужны входные изображения; основной результат — метки классов, а извлечение признаков и эмбеддингов доступно как вспомогательный сценарий. Модель распространяется по лицензии MIT.

Модель ramonmedeiro1/bertimbau-products-reviews-pt-br — дообученная версия BERTimbau от Neuralmind для классификации отзывов о товарах. Она предназначена для анализа отзывов покупателей интернет-магазинов на бразильском португальском языке, в частности для отнесения текста отзыва к одному из классов классификатора. Модель основана на архитектуре BERT и содержит 136,1 млн параметров; максимальная длина контекста — 512 токенов. Для дообучения использован открытый набор B2W-Reviews01 с более чем 130 тысячами отзывов с сайта Americanas.com. В README приведены результаты трёх эпох: accuracy около 0,62 и F1 до 0,56, поэтому качество классификации ограничено и требует оценки на целевых данных. Проект создан в учебных целях и обучался около 50 минут на GPU T4. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

CloudSurf-4B-FC — диалоговая модель CloudSurf Software на базе Google Gemma 4 E4B Instruct, дообученная с помощью QLoRA для вызова функций и использования инструментов в агентных сценариях. Это плотная модель семейства Gemma 4 с эффективным размером около 4 млрд активных и примерно 8 млрд общих параметров; опубликованные веса представлены в формате Safetensors, а в репозитории есть BF16-версия со слитым адаптером и отдельные LoRA-адаптеры. Модель предназначена для генерации ответов и структурированных вызовов инструментов в диалогах, включая многошаговые задачи, работу с памятью и веб-инструментами. README приводит результаты BFCL V4 FULL: среднее 55,73 по трём запускам; авторы также описывают проверку на τ²-bench и публикуют мост для OpenAI-совместимого API. Результаты являются собственными измерениями разработчика, а не официальной оценкой BFCL. Настройка специализирована на зарегистрированном шаблоне Gemma 4: чувствительность к формату ухудшилась по сравнению с исходной моделью. В README также отмечены ошибки оценки из-за переполнения окна контекста и то, что компетенция в API памяти частично опирается на обучающие примеры с согласованными пространствами имён. Для веб-задач данные не использовались. Лицензия — Apache-2.0.

convformer_s36.sail_in1k — модель классификации изображений семейства ConvFormer, относящаяся к архитектурному подходу MetaFormer. Модель обучена авторами статьи на ImageNet-1k и предназначена для распознавания объектов на изображениях; её также можно использовать как визуальный backbone для извлечения признаков и получения эмбеддингов изображений. Модель содержит около 40 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную стоимость 7,7 GMACs. Репозиторий использует библиотеку timm, веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных. Карточка не описывает поддержку других размеров изображений или специализированных предметных областей.

apple/deeplabv3-mobilevit-small — компактная модель семантической сегментации изображений, разработанная на основе MobileViT и головы DeepLabV3. MobileViT сочетает сверточные слои в стиле MobileNetV2 с блоками трансформера, обрабатывающими глобальные связи между патчами изображения; архитектура рассчитана на низкую задержку и мобильные устройства. Модель предобучена на ImageNet-1k и дообучена на PASCAL VOC2012. Она принимает изображения, при подготовке к инференсу использует центральное кадрирование до 512×512, нормализацию пикселей в диапазон [0, 1] и порядок каналов BGR. В отчёте для варианта MobileViT-S указано 6,4 млн параметров и mIoU 79,1 на PASCAL VOC. Модель предназначена для разметки объектов по пикселям на изображениях. Карточка не приводит конкретных ограничений качества за пределами оценки на PASCAL VOC; результаты на других наборах данных могут отличаться. Лицензия — Apple AMLR.

DeiT base patch16 384 — модель классификации изображений семейства Data-efficient Image Transformers (DeiT), разработанная авторами соответствующей научной работы и обученная на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как визуальный backbone для получения признаковых представлений. Модель содержит 86,9 млн параметров, обрабатывает изображения размером 384 × 384 и доступна через библиотеку timm. Репозиторий включает веса PyTorch и safetensors. Лицензия — Apache-2.0. Обучение на ImageNet-1k ориентирует модель на распознавание объектов и категорий из этого набора данных. Возможности и качество на других предметных областях или при других размерах изображений в карточке не описаны.

Это дообученная модель обнаружения объектов на изображениях, построенная на архитектуре DETR и основанная на nsugianto/detr-resnet50_finetuned_lstabledetv1s9_lsdocelementdetv1type3_session3. Репозиторий содержит веса в формате safetensors; в метаданных указано 6,3 млн параметров и контекст 1024 токена. Модель предназначена для локализации объектов на изображениях и выдачи рамок обнаружения с метками классов. Карточка называет её дообученной на неизвестном наборе данных, поэтому конкретные классы объектов, условия применения и качество распознавания определить нельзя. Лицензия в предоставленных данных не указана.

K2-Horizon-7B-Uno — диффузионно-расширенная языковая модель, разработанная IFM. Она объединяет авторегрессионный (AR) путь на основе весов K2-Horizon-7B и диффузионный путь с LoRA-адаптерами в единой архитектуре. Репозиторий содержит только адаптер; веса базовой модели размещены отдельно. Модель предназначена для генерации текста и сценариев, где важны диффузионное декодирование и агентное использование инструментов. В README приведены результаты на бенчмарках τ³ Banking, τ² Telecom, τ² Retail и Terminal-Bench v2.1; среди указанных сравнительных моделей она показывает высокие результаты на задачах Telecom и Retail. Заявлены ускорения генерации, связанные с подходом discrete diffusion, однако конкретные характеристики производительности зависят от способа применения адаптера и базовой модели. Модель относится к семейству размером около 7–8B параметров с архитектурой, сочетающей AR-веса и LoRA-адаптеры для диффузионного пути. Дополнительные сведения о поддерживаемых языках, размере контекста и модальностях в README не указаны. Лицензия — Apache-2.0.

Kairos-50M — трансформерная модель временных рядов, представленная авторами работы «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения на данных конкретной задачи и рассчитана на применение в разных предметных областях. В карточке указаны 22 млн параметров, контекст до 512 токенов и библиотека Transformers; README заявляет 50 млн параметров, поэтому размер модели в источниках расходится. Модель использует динамическую токенизацию патчами, адаптивный выбор их размера по локальной информационной плотности и Dynamic Rotary Position Embedding (DRoPE), учитывающий спектральные особенности ряда. Обучение проводилось на корпусе PreSTS, содержащем более 300 млрд временных точек. Эти характеристики нацелены на обобщение на разнородные ряды без тонкой настройки. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит подробных примеров использования или результатов по отдельным наборам данных, поэтому заявленное качество обобщения нельзя оценить по одной карточке.

Это модель компьютерного зрения семейства MaxViT, разработанная Ross Wightman и обученная в библиотеке timm на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Архитектура сочетает блоки MBConv со слоями внимания по окнам и сетке; в этой версии применяется MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель содержит около 7,5 млн параметров и рассчитана на изображения 256 × 256 пикселей. Веса доступны в форматах PyTorch и Safetensors. Модель обучена на ImageNet-1k, поэтому её классификация ориентирована на категории этого набора данных. Она не предназначена для понимания текста на изображениях или обработки других модальностей. Лицензия — Apache-2.0.

Репозиторий nielsr/mobilesam содержит веса MobileSAM — облегчённой модели семейства Segment Anything для генерации масок объектов на изображениях. Карточка предоставляет веса модели, а метаданные указывают задачу mask-generation и форматы PyTorch и safetensors. Модель предназначена для автоматической сегментации изображений, в том числе для получения масок объектов по визуальным подсказкам в сценариях, поддерживаемых MobileSAM. В README приведены установка пакета MobileSAM и начало примера использования, но подробности интерфейса и характеристики модели не раскрыты. Указанные источники не сообщают лицензию, число параметров, языки или ограничения качества.

Polaris-VGA-27B-Post1.0e-i1-GGUF — GGUF-квантизированная версия vision-language модели Polaris-VGA-27B-Post1.0e, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на работу с визуальными данными и связана с задачами object detection, localization и visual grounding, то есть обнаружением объектов на изображениях и указанием их расположения по текстовому запросу. Заявленный язык — английский. Модель имеет размер 27B параметров и предназначена для запуска через совместимые инструменты, включая llama.cpp и vLLM; для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Репозиторий содержит набор вариантов квантизации от IQ1 до Q6, различающихся размером, скоростью и качеством; среди рекомендуемых указаны i1-Q4_K_M и i1-Q4_K_S. Длина контекста, точная архитектура, поддерживаемые форматы изображений и результаты бенчмарков в README не указаны. Сильной стороной модели является сочетание крупного размера и мультимодальной специализации на визуальном распознавании и grounding, а множество вариантов квантизации позволяет адаптировать требования к памяти и производительности. Ограничения связаны с возможным снижением качества у низкобитных вариантов, необходимостью совместимого мультимодального проектора и отсутствием подробных сведений о точности и эксплуатационных требованиях. Модель распространяется по лицензии Apache-2.0.

Карточка модели facebook/regnet-y-160 на Hugging Face совпадает с карточкой facebook/regnet-y-080, поэтому описание составлено по ней. RegNet Y 080 — сверточная модель семейства RegNet для классификации изображений, обученная на ImageNet-1k. Архитектура разработана авторами статьи Designing Network Design Spaces и впервые опубликована в этом репозитории; карточку модели подготовила команда Hugging Face. В метаданных указаны реализации для PyTorch и TensorFlow и лицензия Apache-2.0. Модель предназначена для определения классов объектов на изображениях и может служить основой для дообученных вариантов под специализированные задачи. Она принимает изображение и выдаёт предсказания классов. Карточка не сообщает размер модели и ограничения сверх того, что для других задач следует искать дообученные версии.