IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели Azily/Macro-Qwen-Image-Edit на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Это модель MobileNet-V1 для классификации изображений, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она также подходит как компактная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит 5,3 млн параметров и требует около 0,6 GMAC на изображение; размер изображений при обучении — 224 × 224 пикселя, при тестировании — 256 × 256. Веса доступны в форматах PyTorch и Safetensors, библиотека модели — timm. Лицензия — Apache-2.0. Карточка не описывает поддержку нескольких языков: модель обрабатывает изображения и выдаёт классы либо признаки, а не текст.

MobileViT-v2 200 — модель классификации изображений и извлечения визуальных признаков из семейства MobileViT-v2. Её разработали авторы статьи «Separable Self-attention for Mobile Vision Transformers»; модель предоставлена библиотекой timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 18,4 млн параметров, выполняет 7,2 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия обозначена как other; подробности условий использования следует сверить с лицензией проекта.

Amazon Nova Lite 1.0 — недорогая мультимодальная модель Amazon, предназначенная для быстрого анализа изображений, видео и текста с выдачей текстовых ответов. Она подходит для сценариев, где нужно обрабатывать визуальные и текстовые входные данные и получать по ним текстовый результат. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки и условия лицензии.

OmniGen-v1 — универсальная модель генерации изображений, представленная авторами проекта OmniGen. Она принимает текстовые и визуальные подсказки и предназначена для генерации изображений по тексту, редактирования изображений и создания изображений с учетом референсов или заданного объекта и его идентичности. Модель объединяет эти сценарии в одном решении без дополнительных модулей вроде ControlNet и отдельной предварительной обработки изображений. Модель содержит 3,7 млрд параметров, использует плотную архитектуру на базе Phi-3 и распространяется в формате safetensors. В карточке Hugging Face указана задача text-to-image; README также описывает генерацию по изображениям и мультимодальным подсказкам. Для запуска доступен код инференса, а авторы предоставляют возможность дообучения, включая LoRA. Репозиторий создан в октябре 2024 года. OmniGen позиционируется как гибкий инструмент для разнообразных задач генерации и редактирования изображений. Авторы отмечают, что модель пока имеет возможности для улучшения; при работе с несколькими изображениями могут потребоваться настройки размера входных изображений, а для снижения потребления памяти предусмотрена выгрузка части модели. Лицензия — MIT.

Pelikan-2.1 — модель генерации масок сегментации по визуальным подсказкам, разработанная немецкой AI-лабораторией ZundTeam. Она принимает RGB-изображение, ограничивающую рамку и точку переднего плана, а затем выдаёт маски выбранного объекта или области. Модель не требует текстового запроса, названия класса или фиксированного набора категорий. Это собственная трансформерная архитектура примерно с 764 млн параметров: кодировщик изображения формирует визуальные токены, кодировщик подсказок обрабатывает рамку и точку, а декодер масок строит кандидаты и оценивает их качество. Выходные значения масок представлены логитами, поэтому пороговую обработку можно настроить в принимающем приложении. Модель подходит для интерактивной сегментации, разметки данных, выделения объектов и инструментов редактирования изображений. Качество зависит от точности подсказок, входных изображений и последующей обработки; неоднозначные подсказки могут давать неоднозначные маски, а тонкие, прозрачные и очень маленькие объекты могут требовать доработки. Для загрузки весов в формате safetensors нужна совместимая пользовательская реализация. Лицензия — Apache-2.0.

calcuis/qwen-image-edit-gguf — это GGUF-квантизированная версия модели Qwen/Qwen-Image-Edit, подготовленная разработчиком calcuis. Модель предназначена для редактирования изображений по текстовым инструкциям: удаления или добавления объектов, изменения одежды, окружения и других элементов сцены с сохранением заданного визуального контекста. Она работает в сценариях image-to-image и может использоваться через gguf-connector, ComfyUI с gguf-node или библиотеку Diffusers. В репозитории доступны варианты квантования IQ4_NL, Q2_K, Q4_0 и Q8_0. Указана поддержка ускоренного 8-шагового режима с автоматически применяемым lite-LoRA, а также возможность экономии времени загрузки до 70%, однако конкретные требования к памяти и производительность зависят от выбранного файла и окружения. Для понимания текстовых инструкций используются варианты Qwen2.5-VL-7B, включая интегрированные и экспериментальные конфигурации с mmproj-clip. Модель принимает изображения и текстовые описания; список поддерживаемых языков в README не указан. Сильной стороной является возможность локального запуска квантизированной модели в нескольких популярных инструментах и выбор между разными уровнями квантования. Ограничения включают необходимость совместимых версий ComfyUI, Diffusers или GGUF-инструментов, а также ручную подготовку отдельных компонентов энкодера и VAE в некоторых конфигурациях. Модель распространяется по лицензии Apache-2.0; лицензии используемых базовой модели и вспомогательных компонентов следует проверять отдельно.

ResNet18.a1_in1k — модель классификации изображений семейства ResNet, опубликованная командой timm. Она обучена на ImageNet-1k по рецепту ResNet Strikes Back A1 и использует активации ReLU, начальную свёртку 7×7 с пулингом и свёрточные shortcut-соединения 1×1 для уменьшения размерности. Модель содержит 11,7 млн параметров; рекомендуемый размер изображения при проверке — 288×288 пикселей, при обучении использовался размер 224×224. Модель предназначена для распознавания объектов на изображениях, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В карточке приведены результаты ImageNet-классификации и характеристики вычислительной стоимости. Доступна по лицензии Apache-2.0.

ResNet-50 B2k In1k — модель классификации изображений из библиотеки timm, обученная авторами timm на ImageNet-1k по рецепту ResNet Strikes Back B (RA2). Архитектура ResNet использует активации ReLU, свёртку 7×7 с пулингом и остаточные соединения с проекцией через свёртку 1×1. Модель содержит 25,6 млн параметров и требует 4,1 GMACs. Модель предназначена для классификации изображений и может использоваться как визуальный бэкбон, для извлечения карт признаков и получения эмбеддингов изображений. При обучении использовались изображения размером 224×224, при оценке — 288×288. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия Apache-2.0.

timm/resnet50.bt_in1k — сверточная модель ResNet-50 для классификации изображений и извлечения признаков, опубликованная разработчиками timm. Она обучена на ImageNet-1k с рецептом Bag of Tricks, оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения с разогревом. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом и свёрточные обходные связи 1×1. Модель содержит 25,6 млн параметров; для обучения указано разрешение 224×224, для тестирования — 288×288. Модель подходит для классификации объектов на изображениях, построения эмбеддингов и извлечения карт признаков, в том числе как основа компьютерного зрения в прикладных системах. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Карточка описывает обучение и архитектуру, но не приводит конкретных показателей качества именно этой модели.

ResNeXt-50 32x4d A2 In1k — модель классификации изображений и извлечения признаков из семейства ResNeXt, предоставленная авторами timm. Она обучена на ImageNet-1k с рецептом ResNet Strikes Back A2. Архитектура использует групповые свёртки 3×3 в bottleneck-блоках, активации ReLU, начальную свёртку 7×7 с пулингом и остаточные соединения с проекцией 1×1. Модель содержит около 25 млн параметров и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Для обучения указано разрешение 224×224, для тестирования — 288×288. Модель принимает изображения и выдаёт метки классов либо признаки, в зависимости от используемого сценария. В карточке приведены результаты сравнения на ImageNet, но они не гарантируют качество на других наборах данных. Для специализированных классов может потребоваться дообучение. Распространяется по лицензии Apache-2.0.

facebook/sam2.1-hiera-tiny — компактная версия SAM 2.1, модели сегментации изображений и видео от FAIR. Она выделяет объекты по запросу: на изображении можно указать точку, несколько точек или ограничивающую рамку, а также уточнить маску предыдущего предсказания. Модель поддерживает автоматическую генерацию масок для объектов на изображении и сегментацию нескольких объектов пакетами. Для видео модель формирует маски объектов и отслеживает их между кадрами; сегментацию можно уточнять дополнительными кликами, а входные кадры обрабатывать по мере поступления. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. Лицензия — Apache-2.0.

SAM 2 Hiera Large — модель сегментации изображений и видео с визуальными подсказками, разработанная FAIR. Она выделяет объекты по точкам, ограничивающим рамкам или уже полученным маскам, а также может автоматически создавать маски для объектов на изображении. Для видео модель отслеживает заданные объекты между кадрами и поддерживает обработку нескольких объектов и потоковых кадров. Модель относится к семейству SAM 2 и использует архитектуру SAM2VideoModel; веса опубликованы в формате safetensors и доступны через Transformers. Входом служат изображения или кадры видео вместе с визуальными подсказками, выходом — маски сегментации. Репозиторий распространяется по лицензии Apache-2.0. В карточке модели не приведены сведения о размере параметров и длине контекста.

Seed-2.0-Mini — компактная мультимодальная модель понимания от ByteDance Seed. Она предназначена для сценариев с высокой нагрузкой, где важны низкая задержка, быстрые ответы и экономичное развёртывание. В README заявлена производительность, сопоставимая с ByteDance-Seed-1.6, контекст до 256 тысяч токенов и четыре режима интенсивности рассуждений: minimal, low, medium и high. Модель поддерживает мультимодальное понимание; задача в метаданных — image-text-to-text. Это позволяет использовать её для анализа изображений с ответом или описанием на естественном языке. README не уточняет перечень модальностей сверх мультимодального понимания, языки и лицензию, поэтому эти характеристики не включены.

tf_efficientnet_b1.in1k — свёрточная модель EfficientNet для классификации изображений и извлечения визуальных признаков. Её обучили авторы EfficientNet на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. Модель содержит около 7,8 млн параметров и рассчитана на изображения размером 240 × 240 пикселей. Она предсказывает классы объектов ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий распространяется по лицензии Apache-2.0.

timm/tf_efficientnet_b1.ns_jft_in1k — сверточная модель семейства EfficientNet-B1 для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы статьи на ImageNet-1k и неразмеченных данных JFT-300M методом полунадзорного обучения Noisy Student; Ross Wightman перенёс её веса в PyTorch для библиотеки timm. Модель содержит около 7,8 млн параметров, использует изображения размером 240 × 240 и требует примерно 0,7 GMAC на изображение. Модель подходит для определения классов объектов на изображениях, построения карт признаков и получения визуальных эмбеддингов. Её можно использовать как компактную визуальную основу в системах компьютерного зрения. Карточка указывает лицензию Apache-2.0. В метаданных репозитория указаны форматы PyTorch и safetensors.

tf_efficientnetv2_b1.in1k — модель классификации изображений из семейства EfficientNetV2. Её обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 8,1 млн параметров, вычислительная сложность — 0,8 GMACs. Размер изображения для обучения — 192 × 192 пикселя, для оценки — 240 × 240. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как основа для извлечения признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт предсказания классов; вычислительно компактна по сравнению с крупными визуальными моделями. Лицензия репозитория — Apache-2.0.

vit_base_patch8_224.dino — визуальная модель семейства Vision Transformer (ViT), опубликованная разработчиками timm. Она обучена на ImageNet-1k методом самообучения DINO и предназначена для извлечения признаков из изображений; её также можно использовать как основу для классификации изображений. Модель содержит 85,8 млн параметров и обрабатывает изображения размером 224 × 224 пикселя. Модель формирует визуальные признаки и эмбеддинги, пригодные для построения классификаторов и других систем компьютерного зрения. В карточке также приведены вычислительные характеристики: 66,9 GMACs и 65,7 млн активаций. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT) с патчами 14×14, разработанная и опубликованная в экосистеме timm. Модель предварительно обучена на парах изображений и текста LAION-2B с помощью OpenCLIP, затем дообучена на ImageNet-1k. Она содержит около 632 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Для практического применения нужны изображения на входе, а результатом классификации служат метки классов; при извлечении признаков модель выдаёт векторы.

Это модель классификации изображений на основе Vision Transformer (ViT), опубликованная в библиотеке timm. Её предварительно обучили с помощью CLIP на парах изображений и текстов из WIT-400M, а затем дообучили на ImageNet-1k. Модель насчитывает 304,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и эмбеддингов изображений. Она подходит для распознавания объектов и категорий на изображениях, а также для экспериментов с переносом визуальных представлений. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Карточка модели biali/BiRefNet на Hugging Face совпадает с карточкой ZhengPeng7/BiRefNet, поэтому описание составлено по ней. BiRefNet — модель компьютерного зрения для высокоразрешающей дихотомической сегментации изображений, представленная авторами одноимённой научной работы и разработанная исследователями из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Репозиторий содержит веса BiRefNet в формате safetensors и предназначен для запуска инференса через библиотеку birefnet. Модель выделяет основной объект на изображении и формирует маску сегментации. Её можно применять для удаления фона, обнаружения заметных объектов и обнаружения замаскированных объектов. Архитектура указана как BiRefNet; работа посвящена сегментации изображений высокого разрешения. Репозиторий распространяется по лицензии MIT.

Карточка модели twfx4062/BiRefNet на Hugging Face совпадает с карточкой ZhengPeng7/BiRefNet, поэтому описание составлено по ней. BiRefNet — модель компьютерного зрения для высокоразрешающей дихотомической сегментации изображений, представленная авторами одноимённой научной работы и разработанная исследователями из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Репозиторий содержит веса BiRefNet в формате safetensors и предназначен для запуска инференса через библиотеку birefnet. Модель выделяет основной объект на изображении и формирует маску сегментации. Её можно применять для удаления фона, обнаружения заметных объектов и обнаружения замаскированных объектов. Архитектура указана как BiRefNet; работа посвящена сегментации изображений высокого разрешения. Репозиторий распространяется по лицензии MIT.

ZhengPeng7/BiRefNet-legacy — модель BiRefNet для высокодетальной дихотомической сегментации изображений. Архитектура BiRefNet использует двусторонние опорные признаки для выделения заметного переднего плана и его границ. Веса обучены на наборах DIS5K-TR, DIS-TEs, DUTS-TRTE, HRSOD-TRTE, UHRSD-TRTE и HRS10K-TRTE; данные для сегментации портретов в обучении этой версии не использовались. Модель подходит для создания масок переднего плана и удаления фона на изображениях. Она принимает изображение и выдаёт сегментационную маску. Репозиторий содержит веса в формате safetensors, предназначен для библиотеки BiRefNet и распространяется по лицензии MIT. README отсылает за дополнительными сведениями и инструкциями к основному репозиторию BiRefNet.

BiRefNet-lite 1024 WebGPU — это оптимизированный ONNX-вариант модели BiRefNet-lite, опубликованный jiabins0303 на базе ZhengPeng7/BiRefNet_lite. Граф модели структурно переработан для работы через WebGPU execution provider в браузере, при этом исходные веса сохранены. Модель предназначена для удаления фона, image matting и построения альфа-маски вокруг объектов на изображении, включая сценарии клиентской обработки без загрузки файлов на сервер. Модель работает с изображениями размером 1024×1024 и использует fp16-веса. Она поддерживается transformers.js и onnxruntime-web, выдаёт logits, которые перед преобразованием в маску необходимо обработать sigmoid. Для запуска требуется WebGPU-адаптер с параметром maxStorageBuffersPerShaderStage не менее 8. По сравнению с вариантом 512 модель может лучше обрабатывать волосы, мех, ткань и мелкие контуры, а также восстанавливать объекты, которые вариант 512 полностью пропускает. Основное ограничение — существенно большее время выполнения: около 3,4 секунды против 0,85 секунды у BiRefNet-lite-512 на указанном наборе изображений, а также более узкая совместимость с устройствами. Заявленное преимущество в качестве следует считать ориентировочным: показатели качества и времени получены в разных режимах, а идентичность результатов CPU и WebGPU отдельно не подтверждена. Лицензия MIT распространяется, согласно README, на веса и окружающий код; ограничений для коммерческого использования или условий для созданных изображений не указано.

facebook/convnext-small-224 — сверточная модель компьютерного зрения семейства ConvNeXT, выпущенная командой Facebook. Она обучена на ImageNet-1k и предназначена для классификации изображений по 1000 категориям. Архитектура представляет собой ConvNet, дизайн которой обновлён с учётом идей Vision Transformers и Swin Transformer; модель принимает изображения с разрешением 224×224 пикселя. Модель подходит для распознавания объектов и сцен на фотографиях, в том числе как готовый классификатор или отправная точка для дообучения под другую задачу. В репозитории доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0.

ConvNeXt-V2 Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, представленная в библиотеке timm. Она предварительно обучена методом FCMAE и дообучена на ImageNet-22k, затем ImageNet-1k. Модель содержит около 198 млн параметров; в карточке указаны размер изображения 224×224 для обучения и 288×288 для тестирования. Модель предсказывает категории объектов на изображении, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов. Она предназначена для сценариев классификации и построения систем компьютерного зрения на PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

DeiT-III Base Patch16 384 — модель классификации изображений и визуальный backbone, разработанный авторами исследования DeiT III и обученный на ImageNet-1k. Она принимает изображения размером 384 × 384 пикселя и предсказывает класс объекта; также её можно использовать для извлечения визуальных признаков и эмбеддингов. Модель построена на архитектуре Vision Transformer с патчами 16 × 16 и содержит 86,9 млн параметров. Для инференса доступны веса PyTorch и Safetensors, а основная библиотека репозитория — timm. Модель подходит для классификации изображений общего назначения и как backbone в системах компьютерного зрения. Лицензия — Apache-2.0. Карточка не сообщает о специальных ограничениях; качество зависит от соответствия входных изображений данным ImageNet-1k и выбранной предобработки.

EfficientNet-B4 — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту RandAugment RA2. Модель содержит 19,3 млн параметров; при обучении использовался размер изображения 320×320, при проверке — 384×384. Также её можно применять как основу для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для отнесения изображения к одному из классов ImageNet-1k и для получения визуальных признаков в задачах компьютерного зрения. В карточке описаны RMSProp с поведением TensorFlow 1.0, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Распространяется по лицензии Apache-2.0.

Emu3.5-Image — модель генерации изображений от команды Emu3.5 компании BAAI. Она предназначена для создания изображений по текстовым описаниям и по одному или нескольким референсным изображениям, в том числе для редактирования и преобразования изображений. Модель основана на плотной авторегрессионной архитектуре Emu3 и обучена предсказывать последовательности визуальных и текстовых токенов. Веса содержат 30,4 млрд параметров, модель работает с контекстом до 32 768 токенов и принимает визуально-текстовые последовательности. В отличие от общей модели Emu3.5, эта версия специально оптимизирована для одиночной генерации изображений по тексту и референсам. Для генерации доступны разные пропорции сторон и потоковая выдача. В README отмечено, что генерация без ускорения DiDA может занимать несколько минут на изображение. Модель распространяется под лицензией Apache 2.0.

Модель hanifnoerr/Fine-tuned-Indonesian-Sentiment-Classifier — дообученная на IndoNLU SmSA версия indobenchmark/indobert-base-p1 для классификации тональности текста на индонезийском языке. Она присваивает тексту одну из трёх меток: положительная, отрицательная или нейтральная тональность. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 151,6 млн параметров и принимает контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке: accuracy 0,928 и macro-F1 0,911. Модель подходит для анализа отзывов и других коротких текстов на индонезийском языке. Распространяется по лицензии MIT.