IV.1Ритейл, электронная коммерция и fashion-tech

Модель fruits-and-vegetables-detector-36 — дообученная классификаторная ResNet-50 на базе microsoft/resnet-50, разработанная автором репозитория jazzmacedo. Она определяет фрукты и овощи на изображениях, относя их к одному из 36 классов. Модель принимает изображения и выдаёт метку класса; в README приведены результаты на тестовой выборке: accuracy 0,9721 и loss 0,0014. Модель обучена на небольшом наборе данных kritikseth/fruit-and-vegetable-image-recognition. Поэтому высокая точность на указанной выборке не гарантирует такого же качества на других изображениях, продуктах или условиях съёмки. Репозиторий распространяется по лицензии Apache-2.0.

enzostvs/hair-color — классификатор изображений на архитектуре Vision Transformer (ViT), созданный с помощью HuggingPics. Модель предназначена для классификации изображений по цвету волос. Она содержит 113,2 млн параметров и доступна в форматах PyTorch, Safetensors и ONNX. Карточка не описывает набор меток, данные обучения или точность, поэтому пригодность для конкретных условий съёмки оценить нельзя. Модель создана в октябре 2023 года; сведения о лицензии отсутствуют в предоставленных данных.

Модель dima806/hair_type_image_detection — дообученная версия Vision Transformer ViT-Base, созданная для определения типа волос по изображению лица. Она решает задачу классификации изображений и, по README, достигает точности 93%. Модель содержит 113,2 млн параметров и опубликована в формате safetensors. Модель предназначена для автоматической классификации типа волос на фотографиях лиц. Базовая архитектура — google/vit-base-patch16-224-in21k. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

InternVL2_5-HiMTok-8B — мультимодальная модель для сегментации изображений, разработанная авторами проекта HiMTok на основе дообучения OpenGVLab/InternVL2_5-8B на обучающей части серии датасетов RefCOCO. Она предназначена для сегментации объектов на изображении по текстовому описанию или запросу и формирует маски с использованием иерархических mask-токенов. Архитектура основана на InternVL2.5-8B; в репозитории указаны веса Safetensors. Модель подходит для экспериментов с сегментацией по выражениям и диалоговым взаимодействием с изображениями. Лицензия — Apache-2.0.

Isaac-0.1-Base — базовая мультимодальная модель PerceptronAI для совместной обработки изображений и текста. В карточке она описана как модель на 2 млрд параметров, предназначенная для визуальных вопросов и ответов, пространственного рассуждения, локализации объектов, распознавания мелкого текста и анализа сложных сцен. Метаданные указывают 1,7 млрд параметров и контекст до 40 960 токенов; архитектура — плотная IsaacForConditionalGeneration, формат весов — Safetensors. Модель объединяет Qwen/Qwen3-1.7B и визуальную основу google/siglip2-so400m-patch14-384. Модель рассчитана на сценарии, где текстовые ответы должны быть привязаны к содержимому изображения: например, поиск дефектов оборудования, определение расположения объектов и чтение текста в загруженных сценах. README отмечает поддержку локализации с выделением областей, работы с примерами прямо в запросе и диалогового взаимодействия. Указанная лицензия CC BY-NC 4.0 разрешает использование на её условиях, включая ограничения для коммерческого применения.

LightSwitch — модель диффузионного relighting, представленная Yehonathan Litman, Fernando De la Torre и Shubham Tulsiani на ICCV 2025. Она предназначена для изменения освещения объектов на произвольном количестве изображений с разных ракурсов с сохранением их структуры и учетом материалов, включая сценарии relighting для синтетических и реальных объектов и интеграцию с 3D-представлениями, такими как 3D Gaussian Splatting. Модель использует material-guided diffusion и масштабируемую схему denoising, объединяя многовидовые данные с признаками, полученными из intrinsic properties объекта. В репозитории Hugging Face она представлена в экосистеме diffusers; основной компонент указан как UNet2DConditionModel. Для работы могут требоваться изображения, маски, параметры камеры, включая intrinsics и extrinsics, а также environment map. README не указывает размер модели, поддерживаемые языки или максимальную длину контекста. Заявлены более высокое качество 2D relighting по сравнению с предыдущими методами и сопоставимая либо лучшая производительность относительно современных diffusion-методов inverse rendering, включая обработку за период от примерно двух минут. Ограничения и точные требования к вычислительным ресурсам в README не описаны. Лицензия — MIT.

MaskFormer — модель компьютерного зрения, разработанная командой MaskFormer и обученная на COCO для паноптической сегментации. Этот вариант использует небольшой Swin-backbone и предназначен для семантической сегментации изображений. Модель предсказывает набор масок и соответствующие им метки классов; единая схема MaskFormer также применяется для семантической, экземплярной и паноптической сегментации. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому условия её использования следует уточнить в карточке репозитория.

MoiraiAgent — модель Salesforce для выбора наиболее подходящего прогноза из набора прогнозов временных рядов. Она анализирует ряд и помогает выбрать прогноз, созданный одним из специализированных предикторов; авторы сообщают о повышении качества прогнозирования при таком экспертном отборе. Модель построена на архитектуре Qwen2, имеет 3,1 млрд параметров и контекст 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для задач прогнозирования временных рядов и экспертного выбора между кандидатными прогнозами. В карточке указан исследовательский статус выпуска и лицензия CC BY-NC 4.0. Авторы рекомендуют отдельно оценивать точность, безопасность и справедливость модели перед применением; пригодность для конкретных прикладных задач не гарантируется.

Salesforce/moirai-moe-1.0-R-small — компактная предварительно обученная модель семейства Moirai для прогнозирования временных рядов, опубликованная Salesforce. Веса представлены в формате safetensors и содержат 12,4 млн параметров. Модель предназначена для построения прогнозов по историческим значениям временных рядов. Её можно рассматривать для исследовательских и прикладных сценариев прогнозирования, предварительно проверив качество на целевых данных и условиях эксплуатации. В карточке указано, что выпуск поддерживает академическую статью и предназначен для исследований; модель и связанные данные не оценивались для всех сценариев применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

MV-Adapter — набор адаптеров, разработанный авторами проекта MV-Adapter, который расширяет модели генерации изображений по тексту, включая Stable Diffusion 2.1 и SDXL, генерацией согласованных изображений с нескольких ракурсов. Он предназначен для создания многоракурсных изображений объектов по текстовому описанию или исходному изображению, а также для генерации текстур с геометрическими условиями. Модель поддерживает изображения размером 768×768, произвольный выбор ракурсов и совместную работу с персонализированными моделями, LCM и ControlNet. Полученные виды можно использовать для последующей реконструкции 3D-объекта. Весовые файлы представлены в формате safetensors; для использования требуется соответствующая базовая модель и код проекта. Лицензия — Apache-2.0.

TostAI разработала модель классификации изображений на архитектуре FocalNet, дообученную на базе microsoft/focalnet-base для модерации контента. Она принимает изображения размером 512×512 пикселей и относит их к одному из трёх классов: Safe, Questionable или Unsafe. Модель предназначена для предварительной проверки пользовательских изображений в социальных сетях, интернет-магазинах, приложениях знакомств и на платформах обмена контентом. Модель выдаёт метки классов изображений и подходит для фильтрации потенциально неприемлемых материалов с последующей проверкой человеком. В README заявлены точность свыше 95% на тестах обнаружения NSFW и задержка менее 100 мс на стандартном GPU, однако методика оценки не приведена. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ, но запрещает коммерческое использование.

Карточка модели facebook/regnet-y-320 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.

mnmly/rfdetr-keypoint-preview-mlx-fp32 — конверсия модели RF-DETR Keypoint от Roboflow в формат MLX для запуска через mlx-swift-rf-detr на Apple Silicon. Модель предназначена для обнаружения людей и предсказания 17 ключевых точек тела COCO в формате GroupPose; обрабатывает изображения с разрешением 576 пикселей. Архитектура основана на RF-DETR с оконной малой backbone-моделью DINOv2, четырьмя слоями декодера и 100 запросами; веса представлены в fp32 в формате safetensors. Модель можно использовать в Swift-приложениях для оценки позы людей на изображениях. Это предварительная версия, отслеживающая соответствующую ветку RF-DETR. Распространяется по лицензии Apache-2.0.

Это преобразованная в формат MLX модель Meta Sapiens2 для оценки позы человека на изображениях. Чекпойнт содержит около 402,7 млн параметров в формате bfloat16 и предназначен для запуска на MLX; исходная модель — facebook/sapiens2-pose-0.4b. Модель выполняет top-down оценку позы и строит тепловые карты для 308 ключевых точек тела, лица, кистей и стоп. Результаты можно использовать для локализации суставов и анализа положения человека на изображении; для инференса нужны подготовка изображения и соответствующая предобработка MLX-VLM. Веса преобразованы из исходного чекпойнта Meta: проекции q/k/v объединены в тензоры wqkv, параметры сохранены в bfloat16. Лицензия указана как other; README отсылает к карточке исходной модели за условиями использования.

Sapiens2-5B-Pose — модель оценки позы человека, разработанная Meta. Это дообученная для распознавания ключевых точек версия предварительно обученной модели Sapiens2-5B на основе Vision Transformer; в метаданных указано 5,3 млрд параметров. Модель предсказывает 308 точек тела, включая 274 точки лица, а также точки кистей и стоп, в формате Sociopticon. Модель предназначена для анализа изображений с людьми и исследовательских задач в области человекоцентричного компьютерного зрения. Она использует top-down подход: перед оценкой позы ей нужны ограничивающие рамки людей, например полученные детектором RTMDet. Весовые файлы представлены в формате safetensors. Используется лицензия Sapiens2 License; её условия следует проверить перед применением.

SHViT S3 — модель классификации изображений и визуальный backbone семейства Single-Head Vision Transformer, разработанный авторами соответствующей научной работы и обученный на ImageNet-1k. Версия с суффиксом in1k содержит около 14,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и получения векторных представлений изображений. В карточке указана вычислительная сложность 0,6 GMACs. Это модель для обработки изображений; поддерживаемые естественные языки не заявлены. Веса доступны в форматах PyTorch и safetensors через библиотеку timm. Лицензия — MIT. Карточка не описывает ограничения качества или области применения помимо обучения на ImageNet-1k.

Swin Small Patch4 Window7 224 — модель компьютерного зрения семейства Swin Transformer, представленная Liu и соавторами и опубликованная в репозитории Microsoft. Это небольшая иерархическая Vision Transformer-модель, обученная на ImageNet-1k для классификации изображений с разрешением 224×224 пикселя. Модель формирует иерархические карты признаков, последовательно объединяя патчи изображения. Механизм внимания работает внутри локальных окон со сдвигом, поэтому вычислительная сложность линейно растёт с размером изображения. Чекпойнт также может служить основой для задач плотного распознавания после соответствующей адаптации. Модель принимает изображения и выдаёт метки классов ImageNet-1k. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache 2.0. Карточка рекомендует использовать исходную модель для классификации изображений; для других задач следует подбирать дообученные версии.

Swin Transformer V2 — модель компьютерного зрения от Microsoft для классификации изображений. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k с разрешением 256×256; модель содержит 33 млн параметров и выдаёт оценки для 1000 классов ImageNet. Архитектура Swin Transformer строит иерархические карты признаков, объединяя патчи на последовательных уровнях, и применяет внимание внутри локальных окон. В версии V2 используются остаточная нормализация после блока и косинусное внимание для стабильности обучения, а также непрерывное позиционное смещение для переноса на изображения высокого разрешения. Модель принимает изображения и возвращает метки классов и оценки. Модель предназначена для классификации изображений общего назначения и может служить основой для других задач распознавания. Карточка указывает лицензию Apache-2.0. Она обучена распознавать классы ImageNet-1k, поэтому её ответы ограничены этой таксономией и не заменяют специализированную разметку объектов или другие задачи компьютерного зрения.

TimeOmni-1-4B — модель для рассуждений о временных рядах, разработанная авторами проекта TimeOmni-1. Она создана на основе Qwen/Qwen3.5-4B и обучена в два этапа: supervised fine-tuning добавляет временные априорные знания, а обучение с подкреплением с целевыми для задач наградами улучшает устойчивость рассуждений. Модель предназначена для решения разных задач анализа временных рядов в диалоговом формате, сохраняя общие способности рассуждать. Авторы описывают её как обобщённую модель для применения к разным задачам временных рядов; конкретные примеры задач в доступном README не перечислены. Репозиторий содержит веса в формате Safetensors и предназначен для Transformers. Лицензия — Apache-2.0.

Это вариант Sapiens2-0.1B от Meta, опубликованный в формате timm: веса базовой модели facebook/sapiens2-pretrain-0.1b сопоставлены с именованием timm и сохранены в safetensors. Это Vision Transformer для извлечения плотных признаков по участкам изображения людей и подготовки основы для дообучения специализированных голов. Модель содержит 0,114 млрд параметров; архитектура включает RoPE, GQA, SwiGLU, RMSNorm и QK-norm, а конфигурация имеет 12 слоёв и размер эмбеддинга 768. Семейство Sapiens2 предварительно обучено на миллиарде изображений людей. Модель предназначена для построения систем оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmaps, а также для исследований компьютерного зрения с фокусом на людях. Карточка уточняет, что веса не дообучались при переносе в timm. Указана лицензия Sapiens2 License; её условия следует проверять перед использованием.

usyd-community/vitpose-base — модель оценки позы человека на изображениях, основанная на архитектуре ViTPose. Её разработали Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао; версию для Transformers перенесли Сангбум Чой и Нильс Рогге. Модель использует обычный Vision Transformer для извлечения признаков изображения и лёгкий декодер для предсказания ключевых точек тела. Модель предназначена для определения координат суставов человека на изображении и может служить компонентом систем анализа движений, фитнес-приложений и анимации. В карточке описаны результаты семейства ViTPose на MS COCO, но конкретная метрика этой версии не приведена. Обучение семейства проводилось на MS COCO, AI Challenger, MPII и CrowdPose; OCHuman использовался для оценки устойчивости к перекрытиям. Модель принимает изображения и выдаёт координаты ключевых точек тела. Карточка отмечает, что дальнейшее улучшение возможно за счёт более сложных декодеров и структур FPN; результаты при сильных перекрытиях и перенос на другие наборы данных могут зависеть от условий применения. Лицензия модели — Apache-2.0.

CaiT-S36 с входным разрешением 384×384 — модель классификации изображений семейства Class-Attention in Image Transformers. Модель опубликована авторами библиотеки timm под идентификатором timm/cait_s36_384.fb_dist_in1k и предварительно обучена на ImageNet-1k с дистилляцией, выполненной авторами статьи. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаковых представлений. Она содержит около 68,4 млн параметров, требует изображение размером 384×384 и выполняет примерно 48 GMACs на изображение. Карточка описывает обучение и сценарии инференса для классификации и получения эмбеддингов изображений. Результаты зависят от соответствия входных данных ImageNet-1k и указанному разрешению; сведений о поддержке других типов изображений или специализированных областей карточка не приводит.

DETRPose-N-CROWDPOSE — компактная модель для обнаружения людей и оценки позы нескольких людей на изображении, разработанная авторами работы DETRPose. Она предназначена для быстрого сквозного инференса, в том числе в режиме реального времени. Архитектура сочетает гибридный энкодер RT-DETR с лёгким декодером D-FINE; специализированный слой Pose-LQE улучшает оценку уверенности ключевых точек, а обучение использует денойзинг ключевых точек и функцию потерь Keypoint Similarity Varifocal. Для набора CROWDPOSE заявлены 4,1 млн параметров, AP 56,0, задержка 2,72 мс и вычислительная сложность 8,8 GFLOPs. Модель принимает изображения и выдаёт координаты ключевых точек и оценки обнаруженных поз людей. Карточка предлагает использовать её для инференса через специальную ветку репозитория DETRPose. В метаданных указан формат safetensors и лицензия Apache-2.0.

DETR-ResNet-50-DC5-Panoptic — модель для паноптической сегментации изображений, разработанная авторами DETR и опубликованная командой Hugging Face. Она обучена на COCO 2017 Panoptic, содержащем 118 тысяч размеченных обучающих изображений. Архитектура сочетает свёрточную основу ResNet-50 с расширенной пятой стадией и трансформером типа encoder-decoder. Запросы объектов позволяют модели предсказывать классы и рамки объектов; дополнительная масочная голова формирует сегментацию. Модель принимает изображение и выдаёт разметку объектов и сегментационные маски. Валидационные показатели на COCO 2017: box AP 40,2, segmentation AP 31,9 и panoptic quality 44,6. Модель предназначена для сегментации сцен и объектов на изображениях, в том числе для задач компьютерного зрения на данных, близких к COCO. В карточке указана лицензия Apache-2.0. Результаты и обучающие данные ориентированы на категории COCO; качество на других доменах карточкой не подтверждено.

apple/mobilevit-small — компактная модель MobileViT-S для классификации изображений, опубликованная Apple. Она сочетает слои свёрточной сети в стиле MobileNetV2 с блоками трансформера: изображения преобразуются в патчи для глобальной обработки, а затем снова в карты признаков. Модель обучена с нуля на ImageNet-1k и рассчитана на эффективное применение в сценариях компьютерного зрения, в том числе на мобильных устройствах. Модель относит изображение к одному из 1000 классов ImageNet. В README приведены результаты на ImageNet: точность top-1 — 78,4%, top-5 — 94,1%; для варианта MobileViT-S указано 5,6 млн параметров. Для вывода требуется подготовить изображение: в карточке описаны изменение размера и центральное кадрирование до 256×256 пикселей, нормализация значений пикселей в диапазон [0, 1] и порядок каналов BGR. Доступны веса PyTorch, TensorFlow и Core ML. Лицензия — Apple Sample Code License.

Карточка модели zxhezexin/openlrm-mix-large-1.1 на Hugging Face совпадает с карточкой zxhezexin/openlrm-mix-small-1.1, поэтому описание составлено по ней. OpenLRM Mix Small 1.1 — версия 1.1 открытой реализации проекта OpenLRM по статье LRM. Это модель для восстановления трёхмерного представления объекта по изображению. Вариант small использует 12 слоёв, размерность признаков 512, 8 голов внимания, триплоскость размерности 32 и входное разрешение 224 пикселя; в качестве визуального энкодера применяется DINOv2 ViT-S/14 с register-токенами. Размер указанной в карточке архитектуры small — 446 млн параметров. Модель обучалась на Objaverse. Реализация отличается от оригинальной статьи отказом от отложенного обратного распространения ошибки, случайными цветами фона при обучении и четырёхслойным декодером триплоскостей. Карточка описывает её как неофициальную реализацию, поэтому результаты могут отличаться от оригинального исследования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

PS3-4K-SigLIP — разработанный NVIDIA визуальный энкодер на основе дообученной Google SigLIP SoViT-400m-Patch14-384. Он извлекает признаки из RGB-изображений высокого разрешения до 3780 × 3780 пикселей и выдаёт тензорные эмбеддинги для последующей обработки другой моделью. Модель на базе Vision Transformer обрабатывает изображения на нескольких масштабах, используя патчи размером 14 пикселей. Для высокодетальных изображений можно выбирать участки по визуальной значимости или текстовым запросам и регулировать число обрабатываемых высокоразрешённых токенов. Это предназначено для исследований и разработки систем, которым нужны визуальные признаки для анализа изображений высокого разрешения. Модель обучалась на 75 млн изображений, включая данные SA-1B и IDL. Для работы заявлена оптимизация под ускорители NVIDIA; лицензия в предоставленных данных не указана.

Sapiens Seg-1B TorchScript — модель компьютерного зрения, разработанная Meta для сегментации человеческих изображений. Она предназначена для попиксельного выделения 28 классов частей тела и может применяться в задачах human-centric vision, включая анализ людей на изображениях в естественных условиях. Модель рассчитана на обобщение при дефиците размеченных данных или использовании синтетических данных. Модель построена на архитектуре Vision Transformer и предварительно обучена на 300 миллионах изображений людей с разрешением 1024 × 1024. Она поддерживает инференс высокого разрешения 1K; указанное входное разрешение модели составляет 1024 × 768. Модель содержит около 1,169 млрд параметров, 40 слоёв, 24 attention heads, размерность эмбеддингов 1536, размерность feedforward-слоёв 6144 и patch size 16 × 16. Вычислительная сложность составляет 4,647 TFLOPs. Формат поставки — TorchScript. К сильным сторонам относятся высокое разрешение обработки, специализация на анализе человеческого тела и хорошая обобщающая способность на данных «из реального мира». Ограничения включают узкую предметную область, высокие вычислительные требования и отсутствие поддержки других модальностей или задач, не связанных с сегментацией изображений людей. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial 4.0, допускающей использование с указанием авторства и запрещающей коммерческое применение.

STELLAR — семейство моделей компьютерного зрения, разработанное Microsoft для получения компактных разреженных визуальных представлений. Модели используют энкодер Vision Transformer, инициализированный весами MAE, и факторизуют признаки на 16 семантических токенов и пространственные карты. Доступны варианты с энкодерами ViT-B/16, ViT-L/16 и ViT-H/14; ширина признаков составляет 768, 1024 и 1280 соответственно. Модели обучены без учителя на ImageNet-1K с входными RGB-изображениями 224×224. Представления STELLAR подходят для извлечения признаков и экспериментов с классификацией, сегментацией, поиском изображений, визуализацией и реконструкцией. Полный чекпойнт содержит энкодер, разреженные токены, проекции, декодер реконструкции и кластеризационные головы; для VQ-декодирования реконструкции отдельно требуется токенизатор MaskGIT-VQGAN. Модель заявляет высокую компактность представления, но энкодер по-прежнему обрабатывает плотную сетку патчей, поэтому уменьшение числа латентных значений само по себе не ускоряет его вычисления. Признаки ImageNet могут требовать адаптации при переносе в другие предметные области; семантические токены не гарантируют соответствия объектам, классам или языковым эмбеддингам. README характеризует выпуски как исследовательские артефакты, не проверенные для безопасного принятия производственных решений. Лицензия репозитория — MIT.

NX-AI разработала специализированную версию предварительно обученной модели TiRex-2 для прогнозирования временных рядов. Модель обучена на наборах данных, не пересекающихся с данными fev-bench, и предназначена для оценки на этом бенчмарке. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки.