IV.1Ритейл, электронная коммерция и fashion-tech

Это модель классификации изображений NaFlexViT Base Patch16 GAP, разработанная Россом Уайтманом для библиотеки PyTorch Image Models (timm). Она обучена на ImageNet-1k и также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель основана на Vision Transformer с патчами 16×16, двумерными позиционными эмбеддингами и глобальным усреднением признаков. Вариант NaFlex поддерживает изображения с разными соотношениями сторон и разрешениями благодаря гибкой обработке последовательностей патчей; в обучении использовались длины последовательностей от 128 до 1024. Веса содержат около 86,6 млн параметров. Для указанного режима оценки приведена точность Top-1 83,50% и Top-5 96,46% на ImageNet-1k. Модель подходит для распознавания объектов на фотографиях и как визуальный backbone в компьютерном зрении. Она обучена на ImageNet-1k, поэтому качество на специализированных предметных областях может требовать дообучения. Репозиторий распространяется по лицензии Apache-2.0.

OWLv2-base-patch16 — модель компьютерного зрения с открытым словарём локализации объектов, разработанная Matthias Minderer, Alexey Gritsenko и Neil Houlsby. Она принимает изображение и одну или несколько текстовых подсказок и находит на изображении объекты, соответствующие этим описаниям, в том числе категории, не заданные фиксированным набором классов при обучении. Модель использует мультимодальную основу CLIP с визуальным энкодером ViT-B/16 и Transformer-энкодером текста. К выходам визуального Transformer добавлены лёгкие классификационные и рамочные головы; текстовые эмбеддинги задают категории для поиска. Модель предназначена для zero-shot детекции объектов и исследовательского изучения обобщения, устойчивости и ограничений компьютерного зрения. Обучение опиралось на публичные пары изображение–подпись и наборы данных детекции, включая COCO и OpenImages; README отмечает, что значительная часть данных получена веб-краулингом и может быть смещена в сторону наиболее представленных в интернете групп и обществ. Модель распространяется по лицензии Apache-2.0. Описание не содержит сведений о размере контекста.

PerceptionDLM-Base — мультимодальная диффузионная языковая модель для понимания изображений и ответов на визуальные инструкции, разработанная MSALab. Она дообучена на базе MSALab/LLaDA-8B-Instruct-HF и предназначена для сценариев, где нужно задавать вопросы об изображении или извлекать из него сведения. Архитектура сочетает визуальный энкодер SigLIP-2, двухслойный MLP-коннектор и диффузионный декодер LLaDA-8B. Модель использует параллельную генерацию с маскированным денойзингом и динамическое разбиение изображений высокого разрешения на тайлы. Карточка сообщает о результатах на мультимодальных бенчмарках, включая сильные показатели в задачах детального восприятия и ChartQA. Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. В метаданных указан английский язык. Весы опубликованы в формате Safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель описана как базовая для PerceptionDLM; для развёртывания предоставлены скрипты инференса.

Это 8-битная версия Qwen2.5-VL-72B-Instruct, подготовленная сообществом mlx-community: исходную модель преобразовали в формат MLX с помощью mlx-vlm 0.1.11. Она принимает текст и изображения и предназначена для диалогового анализа визуального содержимого, включая ответы на вопросы по изображениям и генерацию текстовых ответов. Модель имеет плотную архитектуру Qwen2.5-VLForConditionalGeneration, около 71,5 млрд параметров и контекст до 128 000 токенов; заявлены чат и интерфейс вызова инструментов. Модель подходит для мультимодальных сценариев, где нужно сочетать текстовые запросы с изображениями. В карточке этой версии не приведены подробности об обучении, видеовозможностях или поддерживаемых языках сверх английского в тегах; сведения о применении и ограничениях следует сверять с карточкой исходной модели. Лицензия указана как other, поэтому условия использования нужно уточнить в оригинальной карточке Qwen/Qwen2.5-VL-72B-Instruct.

Qwen3.7-Plus — экономичная мультимодальная модель из серии Qwen3.7 компании Alibaba. Она принимает текст и изображения и формирует текстовые ответы, поэтому подходит для диалога и задач, где нужно интерпретировать визуальное содержимое вместе с текстовым запросом.

Qwen-Image-Edit-2511 — модель редактирования изображений, созданная командой Qwen и опубликованная Unsloth как зеркало исходного репозитория. Согласно карточке, веса не изменены. Модель работает через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Модель предназначена для правок по запросу с сохранением содержания исходного изображения. Среди описанных сценариев — сохранение внешности персонажей в одиночных и групповых изображениях, объединение портретов в общий снимок, изменение освещения и ракурса, создание вариантов промышленного дизайна и добавление геометрических вспомогательных линий. В версии 2511 также заявлены снижение дрейфа изображения и встроенная поддержка ряда популярных LoRA. В метаданных указана задача image-to-image, а языки карточки — английский и китайский. Лицензия — Apache-2.0; README сообщает, что применяются исходные условия лицензирования Qwen/Qwen-Image-Edit-2511.

Qwen-Image-Edit-2511-Object-Remover — адаптер LoRA, разработанный prithivMLmods для базовой модели Qwen/Qwen-Image-Edit-2511 от Qwen. Это image-to-image-модель для точного удаления указанных объектов с изображений с сохранением фона, остальных элементов, текстур, освещения, теней и структуры сцены. Адаптер предназначен для фотореалистичного и визуально незаметного редактирования: удаления украшений, очков, логотипов и других объектов. Для запуска используется библиотека Diffusers; заявлена совместимость с версиями 2509 и 2511. В README не указаны размер адаптера, точная архитектура базовой модели, максимальный контекст, полный список поддерживаемых языков и фактические требования к оборудованию. Для активации рекомендуется использовать специальный prompt на английском языке, описывающий удаление объектов с сохранением исходных деталей. Также упоминается возможность сочетания с lighting-моделью, настроенной на 4 шага, для получения качественных изображений высокого разрешения. Сильные стороны модели — специализация на удалении объектов и сохранение окружающего содержимого, реалистичности и исходных визуальных деталей. Ограничения включают зависимость от базовой Qwen/Qwen-Image-Edit-2511, необходимость корректного текстового запроса и отсутствие в README количественных оценок качества, сведений о производительности и подробностей о поддерживаемых сценариях. Лицензия — Apache-2.0.

ResNet-18 — сверточная модель классификации изображений из библиотеки timm. Она предварительно обучена авторами статьи на хештегах Instagram-1B методом semi-weakly supervised learning, а затем дообучена на ImageNet-1k. Модель также подходит как backbone для извлечения признаков, карт признаков и эмбеддингов изображений. Архитектура использует блоки ResNet с активациями ReLU, начальную свёртку 7×7 с пулингом и проекции 1×1 в обходных соединениях. В модели 11,7 млн параметров; типичный размер входного изображения — 224×224 пикселя. Она предназначена для классификации изображений общего назначения и получения визуальных признаков, которые можно использовать в других системах компьютерного зрения. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; перед применением следует соблюдать её условия. README не приводит отдельных оценок качества для этой модели.

ResNeXt101_64x4d.c1_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back C. Архитектура ResNeXt использует остаточные блоки с групповыми свёртками 3×3, свёртку 7×7 на входе, ReLU и проекции 1×1 в обходных связях. Модель содержит 83,5 млн параметров и требует изображений размером 288×288 на этапе проверки; при обучении использовались изображения 224×224. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Обучение проводилось на ImageNet-1k с оптимизатором SGD с Nesterov, адаптивным ограничением градиента и косинусным расписанием скорости обучения. Репозиторий распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0.

ResNeXt101_64x4d.gluon_in1k — сверточная модель классификации изображений из библиотеки timm. Она обучена на ImageNet-1k с использованием рецептов Bag-of-Tricks и может применяться как классификатор или основа для извлечения признаков и эмбеддингов изображений. Архитектура ResNeXt использует групповые свёртки 3×3 в bottleneck-блоках, остаточные соединения с проекцией через свёртку 1×1 и ReLU. Модель содержит около 83,5 млн параметров; указан стандартный размер входного изображения 224×224. Модель подходит для распознавания объектов и категорий на изображениях, а также для построения визуальных признаков в прикладных системах компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Карточка модели CollectionStudio/sam2-hiera-large на Hugging Face совпадает с карточкой facebook/sam2-hiera-large, поэтому описание составлено по ней. 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.

Карточка модели DiffusionWave/sam3 на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

Карточка модели Justin331/sam3 на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

Карточка модели research21/sam3.1 на Hugging Face совпадает с карточкой facebook/sam3.1, поэтому описание составлено по ней. SAM 3.1 — модель Meta для сегментации объектов по запросам в изображениях и видео. Она находит и выделяет масками экземпляры объектов по текстовому описанию или визуальным подсказкам: точкам, рамкам и маскам. Модель поддерживает сегментацию всех экземпляров заданного понятия из открытого словаря и отслеживание объектов в видео. SAM 3.1 развивает SAM 3 за счёт Object Multiplex — совместного отслеживания нескольких объектов с общей памятью. По данным карточки, это ускоряет инференс примерно в семь раз при отслеживании 128 объектов на одном GPU H100 без потери точности; также улучшены результаты на шести из семи бенчмарков VOS. Репозиторий содержит чекпойнты PyTorch, но не включает интеграцию с Transformers; инструкции по установке и использованию размещены в репозитории SAM 3 на GitHub. Указана лицензия other.

Карточка модели Translsis/sam3-model на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

SentiCSE — модель на базе RoBERTa-base, разработанная DILAB-HYU и дообученная для задач анализа тональности на датасете MR. Она предназначена для анализа английских текстов и представления их в виде эмбеддингов: пример в карточке показывает, что модель оценивает косинусное сходство между отзывами и предложениями о ресторане. Архитектура RoBERTa содержит около 151,8 млн параметров; заявленная длина контекста — 514 токенов. Модель может применяться для определения тональности текста и сравнения отзывов по смысловой близости. В метаданных также перечислены датасеты Rotten Tomatoes, SST-2, Amazon Polarity, IMDB и Yelp Polarity. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

Swin Transformer V2 Large — модель компьютерного зрения Microsoft на архитектуре SwinV2, выпущенная в репозитории Hugging Face. Она предварительно обучена на ImageNet-21k и дообучена для классификации изображений на ImageNet-1k с разрешением 384×384; размер модели — 33 млн параметров. Модель предназначена для присвоения изображению одного из 1000 классов ImageNet. Иерархическое объединение патчей формирует признаки разных разрешений, а локальное оконное внимание обеспечивает линейную сложность вычислений относительно размера изображения. В SwinV2 также применяются нормализация после остаточного блока с cosine attention и непрерывное смещение позиции, помогающие стабилизировать обучение и переносить модель на более высокие разрешения. Модель принимает изображения и выдаёт оценки классов. Карточка описывает классификацию; применение в других задачах распознавания требует подходящей дообученной версии. Лицензия — Apache-2.0.

tf_efficientnet_b0.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 распространяется через библиотеку timm. Модель содержит около 5,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Её можно использовать для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Это компактная модель с небольшими вычислительными затратами, подходящая как визуальная основа для прикладных систем. Её обучение ориентировано на ImageNet-1k, поэтому качество на других предметных областях может потребовать адаптации. Лицензия — Apache-2.0.

tf_efficientnet_b1.aa_in1k — свёрточная модель EfficientNet для классификации изображений. Её обучили авторы оригинальных работ на ImageNet-1k с автоаугментацией, а Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель содержит около 7,8 млн параметров, использует изображения размером 240 × 240 пикселей и требует около 0,7 GMAC на проход. Помимо предсказания классов ImageNet, её можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель подходит для задач распознавания объектов из набора классов ImageNet и как компактный визуальный бэкбон. Она не предназначена для генерации изображений или понимания произвольных текстовых запросов. Распространяется по лицензии Apache-2.0.

timm/tf_efficientnet_b3.in1k — модель классификации изображений семейства EfficientNet, обученная авторами статьи на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Вариант содержит около 12,2 млн параметров и рассчитан на изображения размером 300 × 300 пикселей. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как сверточную основу для извлечения карт признаков и изображенческих эмбеддингов. Репозиторий предоставляет веса в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0.

5CD-ViSoBERT — модель 5CD-AI для классификации тональности вьетнамских текстов. Она основана на предварительно обученной 5CD-AI/visobert-14gb-corpus и дообучена на 120 тысячах примеров комментариев и отзывов из интернет-магазинов, социальных сетей и форумов. Архитектура — XLM-RoBERTa для классификации последовательностей, около 124,8 млн параметров; модель принимает текст с контекстом до 514 токенов и выдаёт оценки для трёх классов: отрицательный, положительный и нейтральный. Модель предназначена для анализа отзывов и комментариев на вьетнамском языке, в том числе текстов с эмодзи. Её можно применять для мониторинга реакции пользователей в соцсетях, анализа отзывов о товарах и категоризации пользовательских сообщений по тональности. Модель распространяется в формате safetensors и работает с библиотекой Transformers. Лицензия в предоставленных данных не указана. Обучающие данные включают датасеты SA-VLSP2016, AIVIVN-2019, UIT-VSFC, UIT-VSMEC, UIT-ViCTSD, UIT-ViOCD, UIT-ViSFD, Vi-amazon-reviews и Tiki-reviews; некоторые наборы были перемечены с помощью Gemini 1.5 Flash из-за неоднозначности меток. В данных могут встречаться оскорбительные, непристойные или негативные высказывания о компаниях, а неоднозначность тональности и особенности домена могут влиять на точность классификации.

vit_base_patch14_reg4_dinov2.lvd142m — модель Vision Transformer (ViT) для извлечения признаков изображений, подготовленная в библиотеке timm. Модель содержит 86,6 млн параметров и предварительно обучена на наборе LVD-142M методом самообучения DINOv2; в архитектуре используются дополнительные регистровые токены. Рекомендуемый размер изображения — 518 × 518 пикселей. Модель предназначена для получения визуальных признаков и эмбеддингов, а также может служить основой для классификации изображений. Её можно применять как визуальный бэкбон в системах компьютерного зрения и для извлечения признаков из изображений. Карточка указывает лицензию Apache-2.0. Данные о поддерживаемых языках и ограничениях в карточке не приведены.

Это модель классификации изображений на основе Vision Transformer (ViT), обученная авторами исследований на ImageNet-1k с дополнительной аугментацией и регуляризацией. Её портировал в PyTorch Росс Уайтман; модель доступна через библиотеку timm. Модель содержит 86,9 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Её можно использовать для классификации изображений по категориям ImageNet-1k, а также как визуальный backbone и для получения эмбеддингов изображений. Модель предназначена для задач компьютерного зрения общего назначения. Для работы с другими наборами категорий может потребоваться адаптация или дообучение. Лицензия — Apache-2.0.

Zen Image Edit — модель генерации и редактирования изображений, созданная AiArtLab на основе Qwen-Image-2.1. Она работает через конвейер Diffusers и принимает текстовые инструкции вместе с исходными изображениями и референсами: первое изображение предназначено для редактирования, последующие используются как референсы. Модель также поддерживает генерацию изображений с прозрачностью RGBA. Вместо исходного текстового энкодера Qwen3-VL-8B используется Qwen3.5-0.8B с 158-миллионным адаптером слияния текста и изображения внутри DiT-трансформера. В комплект также входит дообученный декодер VAE, уменьшающий регулярный двухпиксельный узор на выходных изображениях. Для редактирования предусмотрена передача нескольких изображений; README приводит примеры генерации при разрешении 1024 пикселя и указывает, что размер холста зависит от последнего изображения, если явно не задать ширину и высоту. Модель ориентирована на текстовое создание изображений, редактирование персонажей и сцен, а также перенос визуальных признаков с референсов. README сообщает, что адаптер обучался и проверялся только на английском языке; надписи с числами могут генерироваться неверно, а сходство с нетекстовыми фото референсами ограничено возможностями исходного энкодера. При пакетной обработке более одного изображения на разрешении 1024 пикселя пиковое потребление памяти достигает примерно 28 ГБ. Модель распространяется на условиях Qwen Research License Agreement; энкодер Qwen3.5-0.8B — по Apache License 2.0.

Это модель оценки эстетического качества изображений от shunk031, реализованная как линейный предиктор на основе визуального энкодера CLIP ViT-Large/14. Она предназначена для извлечения признаков изображения, связанных с его эстетической оценкой, и может использоваться для ранжирования, отбора и фильтрации изображений по предполагаемой визуальной привлекательности. Модель содержит около 402,7 млн параметров. Архитектура использует 24 слоя, 16 голов внимания, размер скрытого состояния 1024 и входное разрешение 224 пикселя. Для работы с Transformers требуется доверенная загрузка пользовательского кода из репозитория. Прикладная задача — анализ изображений; текстовый ввод не является основным сценарием. В карточке нет описания лицензии, поэтому условия использования здесь не уточняются.

Модель kevinscaria/atsc_tk-instruct-base-def-pos-neg-neut-combined — дообученная версия T5, разработанная в рамках работы InstructABSA по instruction learning для аспектного анализа тональности. Она предназначена для классификации тональности указанного аспекта в отзыве: на вход подаются текст отзыва и подсказка с определением задачи и примерами положительной, отрицательной и нейтральной тональности, а модель генерирует текстовый ответ. Обучение охватывает отзывы о ноутбуках и ресторанах; для этих доменов авторы сообщают о конкурентных результатах относительно актуального на момент публикации уровня качества. Модель содержит 123,7 млн параметров и распространяется в формате PyTorch. Лицензия — MIT.

baseline-rtdetr-v2-r18 — модель обнаружения объектов на изображениях, дообученная на основе PekingU/rtdetr_v2_r18vd. Она использует архитектуру RT-DETRv2 и предназначена для поиска объектов и определения их расположения на изображениях. Конкретный набор классов зависит от обучающих данных, которые в карточке не описаны. Модель распространяется в формате safetensors; лицензия — Apache-2.0.

BEiT large patch16 384 — модель классификации изображений на базе Vision Transformer, разработанная Microsoft. Она предварительно обучена без учителя на ImageNet-21k, а затем дообучена с учителем на ImageNet-1k для распознавания объектов по 1000 классам. Модель содержит около 411 млн параметров; изображения разбиваются на патчи размером 16×16 пикселей, а классификация выполняется по представлениям патчей. Для обучения использовались разрешения 224×224 и 384×384 пикселя. Модель предназначена для классификации изображений и извлечения признаков, которые можно использовать для обучения классификатора на собственных размеченных данных. Она принимает изображения и выдаёт метки классов. Для собственного набора классов потребуется дополнительная настройка классификационной головы или дообучение. Репозиторий содержит веса PyTorch и Flax и распространяется по лицензии Apache-2.0.

BiRefNet_512x512 — модель сегментации изображений из семейства BiRefNet, представленная в репозитории ZhengPeng7 и основанная на работе «Bilateral Reference for High-Resolution Dichotomous Image Segmentation». Она предназначена для выделения объектов на изображениях и построения масок, в том числе для задач dichotomous image segmentation, обнаружения замаскированных объектов и salient object detection. Модель обучалась на изображениях размером 512×512; авторы указывают, что этот вариант обеспечивает более быструю и точную инференцию при низком разрешении. В README приведены результаты на наборе DIS-VD для проверки в режиме FP16. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Модель принимает изображения и выдаёт сегментационные маски. README не описывает ограничения по типам изображений или сценариям применения; результаты производительности относятся к указанному тестовому набору и режиму оценки.

BiRefNet-DIS5K-TR_TEs — официальные веса модели BiRefNet, разработанной авторами из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Модель предназначена для дихотомической сегментации изображений: выделения заметного объекта или переднего плана на фоне. Веса обучены на DIS5K-TR и DIS5K-TEs. Репозиторий содержит файлы safetensors; для работы указана библиотека BiRefNet. Модель принимает изображение и выдаёт маску сегментации. Лицензия в предоставленных данных не указана.