IV.1Ритейл, электронная коммерция и fashion-tech

Boogu-Image-0.1-Base — базовая версия семейства моделей генерации и редактирования изображений Boogu-Image, разработанного командой Boogu. Это исследовательский проект; в репозитории доступны веса и код для запуска через Diffusers. Модель предназначена для создания изображений по текстовым запросам, в том числе фотографий, стилизованных иллюстраций, постеров и продуктовых визуализаций. Семейство также включает варианты для редактирования изображений, однако для этой карточки подтверждена задача генерации по тексту. Модель поддерживает запросы на английском и китайском языках и умеет воспроизводить текст на изображениях на этих языках. Репозиторий распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста. К заявленным ограничениям относятся пробелы в общих и предметных знаниях, нестабильное сохранение деталей при редактировании, ошибки в длинном или мелком тексте и артефакты в сложных позах, а также на небольших лицах и конечностях. Текстовая отрисовка оптимизирована для китайского и английского; другие языки могут давать заметно худший результат.

Карточка модели acl101692/clipseg-rd64-refined на Hugging Face совпадает с карточкой CIDAS/clipseg-rd64-refined, поэтому описание составлено по ней. CIDAS/clipseg-rd64-refined — модель CLIPSeg для сегментации изображений, основанная на работе Image Segmentation Using Text and Image Prompts авторов Lüddecke и соавторов. Вариант использует уменьшение размерности до 64 и более сложную свёрточную часть для уточнения маски. Модель предназначена для сегментации по текстовому или визуальному запросу в режимах zero-shot и one-shot: она выделяет на изображении область, соответствующую заданному понятию или примеру. Подходит для интерактивного поиска объектов и подготовки масок без обучения отдельного классификатора для каждого класса. Модель опубликована в формате PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Карточка отсылает к документации по использованию; сведения о поддерживаемых языках и конкретных ограничениях качества в ней не приведены.

Kijai/clipseg-rd64-refined-fp16 — это опубликованная Kijai версия модели CLIPSeg для сегментации изображений по текстовым или визуальным подсказкам. Архитектура основана на CLIPSeg, разработанном Timo Lüddecke и Alexander Ecker: модель сопоставляет изображение с запросом и строит пиксельную карту вероятности или маску соответствующей области без необходимости заранее фиксировать набор классов. Вариант refined предназначен для более детализированных, мелкомасштабных предсказаний. Модель реализована как CLIPSegForImageSegmentation и совместима с библиотекой Transformers. Конфигурация содержит vision- и text-компоненты CLIP, vision encoder с patch size 16, 12 слоями и размерностью скрытого состояния 768, текстовый encoder с 12 слоями, размерностью 512 и максимальной длиной последовательности 77 токенов, а также transformer decoder с уменьшенной размерностью 64. Входные изображения процессор масштабирует до 352×352 пикселей. Репозиторий содержит около 0,2 млрд параметров и веса в формате float16; заявленная лицензия — Apache 2.0. Модель подходит для zero-shot и query-based сегментации объектов и областей по естественно-языковому описанию, а также для использования в графах обработки изображений, например при выделении области перед кадрированием или последующей генерацией. Точные поддерживаемые языки, количественные показатели качества и подробные ограничения в карточке этой версии не указаны; поэтому нельзя надежно утверждать наличие равноценной поддержки языков, отличных от использованных при обучении CLIP, или гарантировать качество на конкретных доменах. FP16 уменьшает размер хранения и требования к памяти, но может ограничивать запуск на средах без подходящей поддержки half precision.

timm/coat_lite_tiny.in1k — модель CoaT (Co-Scale Conv-Attentional Transformer) для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-1k; модель распространяется через библиотеку timm в формате PyTorch. Модель содержит 5,7 млн параметров, имеет вычислительную сложность 1,6 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Её можно применять для определения классов объектов на изображении, а также как визуальную основу для извлечения эмбеддингов. Лицензия — Apache-2.0. Обучение и оценка ориентированы на ImageNet-1k; качество на иных типах изображений может отличаться.

ConvNeXt Nano OLS — модель классификации изображений из библиотеки timm, обученная Россом Уайтменом на ImageNet-1k. Она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 15,6 млн параметров и требует около 2,7 GMACs на изображение. Размер изображения при обучении — 224 × 224 пикселя, при оценке — 288 × 288. В карточке приведены метрики классификации ImageNet-1k и примеры использования для классификации и извлечения признаков. Лицензия — Apache-2.0. Модель предназначена для распознавания объектов и категорий на изображениях; её качество и набор классов ориентированы на ImageNet-1k, поэтому для специализированных предметных областей может потребоваться адаптация.

ConvNeXt-XLarge — свёрточная нейросеть для классификации изображений, опубликованная авторами работы «A ConvNet for the 2020s» и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-22k; в ней около 392,9 млн параметров, а стандартный размер входного изображения — 224 × 224 пикселя. Модель присваивает изображению классы и может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Она подходит для классификации объектов на фотографиях и как визуальный энкодер в прикладных системах компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache 2.0.

CyberRealistic XL v6.0 — дообученная модель генерации изображений от Cyberdelia, основанная на CyberRealisticXL и работающая через StableDiffusionXLPipeline в библиотеке Diffusers. Она создаёт реалистичные и фотореалистичные изображения по текстовым описаниям, с акцентом на детализацию, естественные тона, световые эффекты и точную передачу цвета. Модель подходит для создания портретов, модных и других реалистичных изображений. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия — CC0 1.0, разрешающая свободное использование.

facebook/detr-resnet-101 — модель обнаружения объектов, основанная на архитектуре DETR с энкодером-декодером Transformer и свёрточным backbone ResNet-101. Модель разработана авторами DETR и опубликована в репозитории Facebook; карточку подготовила команда Hugging Face. Она обучена на COCO 2017 для поиска объектов на изображениях и предсказания их классов и ограничивающих рамок. Модель использует 100 объектных запросов и сопоставляет предсказания с разметкой с помощью венгерского алгоритма и bipartite matching loss. На валидационной выборке COCO 2017 указана средняя точность AP 43,5. Параметры изображения рекомендуется масштабировать так, чтобы короткая сторона была не меньше 800 пикселей, а длинная — не больше 1333, и нормализовать по каналам RGB. Модель принимает изображения и выдаёт классы объектов и координаты рамок. Она предназначена для обнаружения объектов из набора COCO; качество на других классах и доменах в карточке не описано. Лицензия — Apache-2.0.

zeromodels представляет конверсию модели facebook/dinov3-convnext-large-pretrain-lvd1689m в формате Keras 3. Это самообученный зрительный экстрактор признаков на архитектуре ConvNeXt Large, предназначенный для использования как backbone с последующими задачами компьютерного зрения, а не как готовая модель с отдельной классификационной головой. Модель принимает изображения и выдаёт визуальные признаки для downstream-моделей и задач, таких как поиск, классификация и сегментация. Реализация работает с TensorFlow, Torch и JAX через Keras 3. Для обработки входов предусмотрена нормализация изображений; процессор нормализует их, поэтому при его использовании следует отключить встроенную нормализацию. Веса связаны с лицензией DINOv3 Meta; в метаданных указана лицензия other, а README отсылает к условиям DINOv3.

dm_nfnet_f0.dm_in1k — модель семейства NFNet для классификации изображений, опубликованная авторами исследований и доступная в библиотеке timm. Она обучена на ImageNet-1k и также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура NFNet основана на ResNet с предварительной активацией, но не содержит слоёв нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и около нелинейностей. Модель содержит 71,5 млн параметров; для оценки используются изображения размером 256 × 256 пикселей. Репозиторий предоставляет веса PyTorch и safetensors. Модель принимает изображения и предназначена для выдачи классов ImageNet-1k, а также признаков и эмбеддингов для последующей обработки. Лицензия — Apache-2.0.

Eagle2-9B — мультимодальная модель семейства Eagle2, выпущенная NVIDIA для понимания изображений и видео в диалоге. Она объединяет языковую основу Qwen2.5-7B-Instruct с визуальными компонентами SigLIP и ConvNeXt и поддерживает работу с текстом, одним или несколькими изображениями и видео. В README заявлена максимальная длина контекста 16 тыс. токенов; метаданные указывают архитектуру Eagle2ChatModel и библиотеку Transformers. Модель предназначена для описания визуального содержимого, ответов на вопросы по изображениям и видео, а также диалоговых задач с текстом и визуальными входами. В опубликованной таблице приведён результат на DocVQA, но полный набор результатов в доступном тексте README отсутствует. Модель весит около 8,9 млрд параметров по таблице README. Веса доступны по лицензии CC BY-NC 4.0 для некоммерческого использования; README также указывает лицензионные условия базовых моделей Qwen2.5 и PaliGemma. Для запуска README рекомендует transformers 4.37.2 и предупреждает, что более новые версии несовместимы. Поддержка vLLM и готовые скрипты дообучения в карточке обозначены как TODO.

ECA-ResNet-D pruned — сверточная модель классификации изображений из библиотеки timm, оснащённая механизмом Efficient Channel Attention. Модель содержит 19,9 млн параметров и требует около 2,5 GMACs; в карточке указаны размеры изображений 224×224 для обучения и 288×288 для проверки. Она также может служить основой для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для присвоения изображениям меток классов и получения визуальных признаков в прикладных системах компьютерного зрения. Карточка связывает её с работами по остаточным сетям, эффективному канальному вниманию и практическим приёмам обучения классификаторов. Распространяется по лицензии Apache-2.0.

Карточка модели Jinstudio/GLM-Image на Hugging Face совпадает с карточкой zai-org/GLM-Image, поэтому описание составлено по ней. GLM-Image — модель генерации изображений от команды zai-org. Она сочетает авторегрессионный генератор на 9 млрд параметров, инициализированный из GLM-4-9B-0414, и диффузионный декодер на 7 млрд параметров на основе одно поточной архитектуры DiT. Модель принимает текстовые описания для генерации изображений, а также изображения для редактирования, переноса стиля, сохранения идентичности объектов и согласованности нескольких персонажей. GLM-Image рассчитана на создание детализированных изображений и особенно хорошо справляется с точным отображением текста и генерацией, требующей предметных знаний и сложного семантического понимания. В карточке указана поддержка китайского и английского языков; для текста, который должен появиться на изображении, рекомендуется использовать кавычки в запросе. Модель распространяется под лицензией MIT. Ограничения: высокая стоимость инференса из-за ограниченных оптимизаций; целевое разрешение должно делиться на 32. Повышенная температура генерации увеличивает разнообразие, но может снижать стабильность результата.

onnx-community/grounding-dino-tiny-ONNX — модель обнаружения объектов по текстовому запросу с нулевым обучением, подготовленная ONNX Community на основе Grounding DINO Tiny от IDEA Research. Она преобразована в формат ONNX для использования с библиотекой Transformers.js и запуска в JavaScript-приложениях. Модель принимает изображение и список текстовых описаний объектов, после чего возвращает найденные ограничивающие рамки, метки и оценки уверенности. Она предназначена для поиска на изображении объектов, заданных произвольными текстовыми категориями, без специального обучения на этих категориях; пример сценария — обнаружение кошек на фотографии. Распространяется по лицензии Apache-2.0. Для работы используются ONNX-веса и API Transformers.js, что делает модель пригодной для интеграции в веб-приложения и другие JavaScript-сценарии, поддерживающие эту библиотеку.

Hellenic Sentiment AI — модель классификации тональности текстов на базе XLM-RoBERTa, опубликованная gsar78. Она относит предложение или абзац к положительной, отрицательной или нейтральной тональности и возвращает оценки уверенности для классов. Модель содержит около 305,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Версия 1.1 рассчитана прежде всего на греческий язык, а также поддерживает английский, французский, итальянский, испанский, немецкий и арабский. Обучение проводилось на отобранных вручную отзывах о товарах, заведениях и ресторанах; модель также учитывает эмодзи. Её можно использовать для анализа отзывов и локального запуска на CPU. README заявляет готовность к промышленному применению, однако карточка не приводит количественных результатов оценки качества и не описывает поведение на других жанрах текста. Лицензия — CC BY 4.0.

Hiera Base Plus 224 — модель компьютерного зрения семейства Hiera, представленная в экосистеме timm. Она предварительно обучена на ImageNet-1k методом самообучения Masked Autoencoder (MAE), затем дообучена на ImageNet-1k для классификации изображений. Модель содержит 69,9 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя; также её можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предназначена для классификации изображений и получения визуальных признаков в прикладных системах компьютерного зрения. В карточке указана точность Top-1 85,134% и Top-5 97,158% на ImageNet-1k. Веса доступны в форматах PyTorch и Safetensors, библиотека модели — timm. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения правообладателя.

InternVL3-2B-Instruct-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF сообществом Unsloth. Это SFT-версия InternVL3-2B: она прошла предварительное мультимодальное обучение и supervised fine-tuning, но не проходила MPO. Модель предназначена для обработки текста и изображений, мультимодального восприятия и рассуждений, а также сценариев, связанных с использованием инструментов, GUI-агентами, промышленным анализом изображений и восприятием 3D-сцен.

JoyAI-Image-Edit — мультимодальная модель компании JD Open Source для редактирования изображений по текстовым инструкциям. Она использует пространственное понимание сцены, включая разбор объектов и их взаимного расположения, чтобы выполнять точные управляемые изменения. Модель предназначена для переноса объектов в заданную область, изменения их ориентации и управления ракурсом камеры с настройкой поворота, наклона и приближения. Для работы описан конвейер JoyImageEditPipeline на базе Diffusers; в примерах требуются Python 3.10 или новее и GPU с поддержкой CUDA. В репозитории указаны форматы Diffusers и safetensors, лицензия Apache-2.0. Инструкции позволяют задавать целевой объект и параметры изменения, а также сохранять окружающую сцену или геометрию при смене ракурса. Доступные материалы не сообщают размер модели, длину контекста и конкретный перечень поддерживаемых языков; метаданные карточки содержат языковые метки en и zh.

Yntec/Juggernaut — версия модели Juggernaut, преобразованная в формат Diffusers, а затем сохранённая в safetensors. По карточке, преобразование уменьшило размер файлов на 1,7 ГБ без изменения результатов генерации. Модель предназначена для создания изображений по текстовым запросам: примеры показывают фотореалистичные сцены, портреты и персонажей, а также иллюстрации и концепт-арт. Модель распространяется под лицензией CreativeML OpenRAIL-M. В метаданных указаны библиотека Diffusers и поддержка английского языка. Размер исходной модели, длина контекста и конкретные условия лицензии сверх её названия в предоставленных данных не описаны.

MobileNetV4 Hybrid Medium — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработал Росс Уайтман; модель обучена на ImageNet-12k и распространяется в библиотеке timm. Вариант Hybrid сочетает компоненты мобильной архитектуры MobileNetV4. Модель подходит для присвоения изображениям категорий, получения карт признаков и векторных представлений, а также как компактная основа для прикладных систем компьютерного зрения. В ней 24,9 млн параметров и вычислительная сложность 1,3 GMAC; размер изображения при обучении — 256×256, при проверке — 320×320 пикселей. Для использования доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Качество на конкретных наборах данных и применимость к изображениям вне распределения ImageNet-12k могут отличаться; в карточке нет численных результатов для этого варианта модели.

OWLv2 — модель обнаружения объектов с открытым словарём, разработанная авторами статьи «Scaling Open-Vocabulary Object Detection». Она принимает изображение и один или несколько текстовых запросов, а затем находит соответствующие объекты и предсказывает их рамки. Модель построена на мультимодальной основе CLIP: визуальный кодировщик использует архитектуру ViT-L/14, а текстовый кодировщик — Transformer с маскированным самовниманием. К выходам визуального Transformer добавлены лёгкие классификационная и координатная головки; классификация опирается на текстовые представления названий классов. Модель подходит для обнаружения объектов по произвольным текстовым описаниям, в том числе классов, не заданных фиксированным списком при обучении. Это полезно для исследований обобщения и устойчивости компьютерного зрения, а также для поиска объектов, названия которых не были доступны в обучающих данных. Карточка описывает её как исследовательский результат, однако по заданной классификации зрелости OWLv2 относится к production-моделям компьютерного зрения. Модель распространяется по лицензии Apache-2.0. Обучение использовало публичные данные изображений с подписями, включая данные, собранные из интернета, а предсказательные головки дообучались на наборах обнаружения объектов, таких как COCO и OpenImages. Такое происхождение данных может приводить к смещениям в отношении групп и обществ, слабее представленных в интернет-данных. Модель не описана как средство для универсальной классификации изображений без текстового запроса; её результаты зависят от формулировки запросов и могут наследовать ограничения обучающих данных.

Это 4-битная версия модели Qwen2.5-VL-3B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX с помощью mlx-vlm 0.1.11. Модель принимает текст и изображения и формирует текстовые ответы; архитектура — плотная Qwen2.5-VL для условной генерации. Размер базовой модели — 3,1 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для диалогового анализа изображений и визуальных вопросов и ответов. Её можно использовать для описания изображений, извлечения сведений из визуальных материалов и построения структурированных ответов; метаданные также отмечают интерфейс вызова инструментов. В карточке сообщества подробности возможностей отсылаются к оригинальной карточке Qwen2.5-VL-3B-Instruct. Лицензия в предоставленных сведениях не указана.

WaltonFuture/Qwen2.5VL-7b-RLCS — мультимодальная модель WaltonFuture на архитектуре Qwen2.5-VL с 7,1 млрд параметров. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала методом supervised fine-tuning на данных cold start, затем с помощью GRPO на мультимодальных данных для обучения с подкреплением. Модель принимает текст и изображения и предназначена для диалоговых задач, требующих визуального анализа и рассуждений по изображению. Контекст составляет до 128 000 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers; лицензия — Apache-2.0.

Это визуальный энкодер семейства Qwen3 ViT, перенесённый в формат timm из весов зрительной части Qwen3.8-27B. Модель разработана на основе Qwen и предназначена для извлечения признаков изображений и получения векторных представлений для последующей классификации или других задач компьютерного зрения. Веса не дообучались при переносе; языковые веса и обученная классификационная голова в чекпойнт не входят. Энкодер содержит около 415 млн параметров, использует абсолютные позиционные эмбеддинги с интерполяцией и двумерное осевое RoPE. Опорный размер изображения — 768 × 768; поддерживаются прямоугольные изображения, если каждая сторона кратна 16, а варианты с объединением токенов 2 × 2 требуют кратности 32. Модель принимает RGB-изображения, нормализованные со средним и стандартным отклонением 0,5 по каждому каналу, и возвращает карты признаков либо объединённые векторы изображения. Чекпойнт подходит как визуальный бэкбон для извлечения признаков и последующего обучения классификатора на целевом наборе данных. Сам классификационный слой отсутствует, поэтому для классификации требуется добавить и обучить новую голову. Лицензия — Apache 2.0.

Это модель извлечения признаков изображений на основе зрительной части Qwen3.5-0.8B, преобразованной в формат timm. Она предназначена для получения пространственных признаков и векторных представлений изображений, а также для подготовки основы под классификатор, который нужно дообучить на целевых данных. Модель сохраняет пространственный merger и проекцию до ширины 1024, затем применяет усредняющий пулинг и LayerNorm без аффинных параметров. Зрительная основа имеет ширину 768; используются MLP с GELU-tanh, обучаемые абсолютные позиционные эмбеддинги и осевой 2D RoPE. Заявленный размер изображения — 768 × 768. Поддерживаются прямоугольные изображения; размеры сторон должны делиться на 16, а для вариантов с merger 2×2 — на 32. Для изображений временные веса Conv3d сводятся к Conv2d. Чекпойнт содержит около 100 млн параметров и веса зрительной части, но не содержит языковую модель и обученную классификационную голову. Для классификации новую линейную голову необходимо обучить на целевом наборе данных. Веса опубликованы в формате safetensors; лицензия — Apache 2.0.

unsloth/Qwen-Image-Edit-2511-GGUF — GGUF-квантизированная версия модели Qwen-Image-Edit-2511, разработанной командой Qwen и подготовленной Unsloth. Это мультимодальная модель редактирования изображений по текстовым инструкциям, предназначенная для сценариев image-to-image: изменения и стилизации изображений, сохранения внешности персонажей, объединения нескольких людей или изображений в единую композицию, а также генерации объектов промышленного дизайна и выполнения задач, требующих геометрического рассуждения. Модель поддерживает английский и китайский языки. Вариант GGUF использует методологию Unsloth Dynamic 2.0: важные слои переведены в более высокую точность, что направлено на сохранение качества при квантизации. Заявлены улучшенная устойчивость к дрейфу изображения, повышенная согласованность персонажей, включая групповые сцены, встроенная поддержка LoRA и улучшенные возможности промышленного дизайна. Точные размеры модели, параметры контекста и перечень поддерживаемых форматов входных данных в README не указаны. Модель может использоваться локально, в частности через ComfyUI-GGUF и Diffusers. Квантизированный формат потенциально снижает требования к ресурсам, однако README не содержит конкретных требований к памяти, производительности или сведений о возможных потерях качества. Модель распространяется по лицензии Apache-2.0.

Re3Cap-CLIP-Qwen2.5-VL-7B — мультимодальная модель для описания изображений, созданная дообучением Qwen2.5-VL-7B-Instruct. В работе применены GRPO, награда на основе сходства изображения и текста CLIP и стратегия Re³Cap, разработанная для уточнения подписей к изображениям с помощью retrieval-guided refinement. Модель предназначена для генерации более точных и подробных подписей к изображениям. Компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять в подписи галлюцинации и пропущенные детали. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов. В карточке указана лицензия Apache-2.0. README связывает метод с основной статьёй EMNLP 2026, но не приводит сравнительных метрик или подробностей о датасетах, поэтому качество на конкретных типах изображений по этим данным оценить нельзя.

realistic-stock-photo-v2 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и предназначенная для работы через API ModelsLab. Карточка демонстрирует создание фотореалистичных портретов и стоковых изображений; параметры запроса включают негативный промпт, размер изображения, число шагов генерации и guidance scale. Модель доступна в формате Diffusers на PyTorch и использует StableDiffusionXLPipeline. В примере показаны изображения размером 512 × 512 и 30 шагами генерации. API также предусматривает параметры для улучшения промпта, панорамной генерации, апскейла и подключения LoRA или embeddings. Лицензия — CreativeML OpenRAIL-M; условия лицензии следует учитывать при использовании и распространении результатов.

RegNetY-800MF — модель классификации изображений из семейства RegNet, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также для использования в качестве визуального backbone и извлечения карт признаков или эмбеддингов. Модель содержит 6,3 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 0,8 GMAC на изображение. Реализация timm поддерживает стохастическую глубину, градиентное чекпойнтирование, настройку шага выхода и слоёв активации и нормализации. Эти возможности позволяют применять модель как для готовой классификации, так и как основу для других компьютерно-зрительных систем. Лицензия — MIT.

RegNetY-3.2GF — сверточная модель классификации изображений из семейства RegNetY, опубликованная авторами статьи и доступная в реализации библиотеки timm. Она предварительно обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как базовая сеть для извлечения признаков и эмбеддингов. Модель содержит 19,4 млн параметров, требует 3,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Реализация timm поддерживает, среди прочего, стохастическую глубину, градиентное контрольное сохранение и настройку выходного шага сети. Лицензия репозитория — MIT.