IV.1Ритейл, электронная коммерция и fashion-tech

ResNet152D Gluon IN1K — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецептам Bag of Tricks. Архитектура ResNet-D использует ReLU, начальный блок из трёх свёрток 3×3 с пулингом и короткие соединения с усредняющим пулингом 2×2 и свёрткой 1×1. Модель содержит 60,2 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель подходит для классификации изображений на категории ImageNet-1k, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Доступна в форматах PyTorch и safetensors; библиотека модели — timm. Лицензия Apache-2.0.

ResNet33ts.ra2_in1k — свёрточная модель для классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и реализованная в библиотеке timm. Она обучена на ImageNet-1k и содержит 19,7 млн параметров. Архитектура BYOBNet использует трёхуровневый stem без pooling и активации SiLU; модель также поддерживает извлечение карт признаков и эмбеддингов. Размер изображения при обучении составлял 256 × 256, при тестировании — 288 × 288. Модель подходит для определения объектов на изображениях и как backbone для последующих задач компьютерного зрения. Опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ResNet50.fb_swsl_ig1b_ft_in1k — модель классификации изображений семейства ResNet, опубликованная авторами timm. Она содержит 25,6 млн параметров и также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Архитектура включает ReLU, свёртку 7×7 с pooling и shortcut-соединения с понижающей свёрткой 1×1; стандартный размер изображения — 224×224 пикселя. Модель предварительно обучена на хештегах Instagram-1B методом semi-weakly supervised learning, затем дообучена авторами исходной работы на ImageNet-1k. Она предназначена для отнесения изображений к классам ImageNet, а также для получения визуальных признаков в задачах компьютерного зрения. Репозиторий поддерживает PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

ResNeXt-101 32x8d — модель классификации изображений и извлечения визуальных признаков из семейства ResNeXt, опубликованная авторами статьи и доступная через timm. Она содержит 88,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и свёрточные проекции в shortcut-связях. Модель предварительно обучена с помощью полу-supervised обучения на подмножестве YFCC100M, затем дообучена на ImageNet-1k. Её применяют для классификации изображений, извлечения карт признаков и получения эмбеддингов; формат весов PyTorch, включая safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

SAM 2.1 Hiera Large — большая модель сегментации изображений и видео, разработанная FAIR. Она выделяет объекты по точкам, рамкам и маскам-подсказкам, а также может автоматически генерировать маски для объектов на изображении. Для видео модель сегментирует выбранные объекты и отслеживает их между кадрами, включая обработку потокового видео. Модель относится к семейству SAM 2 и использует архитектуру Hiera; в репозитории доступны веса Safetensors для Transformers. Она предназначена для визуальной сегментации, а не для понимания или генерации текста. Лицензия — Apache-2.0. SAM 2 поддерживает сегментацию нескольких объектов, уточнение результата дополнительными точками или предыдущими масками и пакетную обработку изображений и объектов. README описывает обработку видео и потоковый режим, но фактическая производительность и качество могут зависеть от входных данных и сценария применения.

facebook/sam2.1-hiera-small — модель сегментации изображений и видео, выпущенная FAIR и представленная в репозитории Transformers. Это вариант SAM 2.1 с архитектурой семейства Hiera; модель выделяет объекты по подсказкам и может автоматически создавать маски для объектов на изображении. Для работы с изображениями можно задавать точки, ограничивающие рамки или предыдущие маски, чтобы уточнять результат и сегментировать несколько объектов. Для видео модель отслеживает выбранные объекты между кадрами, поддерживает уточнение сегментации и потоковую обработку поступающих кадров. Модель принимает изображения или кадры видео и выдаёт маски сегментации; примеры также описывают ввод точек, рамок и масок. Репозиторий содержит веса в формате safetensors, для использования указана библиотека Transformers. Лицензия — Apache-2.0. В README не приведены количественные оценки качества или ограничения производительности; результаты зависят от визуального содержимого и заданных подсказок.

SAM 2 Hiera Small — компактная версия модели Segment Anything 2, разработанной FAIR и предназначенной для сегментации объектов по визуальным подсказкам в изображениях и видео. Репозиторий предоставляет веса в формате Safetensors для использования через Transformers; README также описывает официальный код проекта. Модель выделяет объекты по точкам, ограничивающим рамкам и предыдущим маскам, а также может автоматически создавать маски объектов на изображении. Для видео SAM 2 отслеживает объекты между кадрами, поддерживает работу с несколькими объектами и потоковую обработку кадров. Модель работает с визуальными данными и не предназначена для понимания текстовых запросов как языковая модель. Репозиторий распространяется по лицензии Apache-2.0. README не приводит размер модели, длину контекста или сведения о поддерживаемых естественных языках; эти параметры для визуальной сегментации не являются ключевыми. Практическое качество масок зависит от изображения и выбранных подсказок, а для видео требуется обработка последовательности кадров.

bodhicitta/sam3 — публикация модели SAM 3, универсальной модели для сегментации объектов на изображениях и видео с текстовыми и визуальными подсказками. README описывает возможности SAM 3 и вариантов SAM3 Video и Tracker: поиск всех экземпляров, соответствующих текстовой фразе или визуальному примеру, интерактивную сегментацию выбранного объекта по точкам, рамкам или маскам, а также сопровождение объектов между кадрами. Модель поддерживает открытый словарь текстовых понятий и может выдавать маски экземпляров; для изображений также доступна семантическая сегментация. Для видео она находит и отслеживает подходящие объекты по кадрам, включая потоковую обработку. В README заявлена оценка 75–80% от человеческого результата на бенчмарке SA-CO с 270 тысячами понятий. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

jetjodh/sam3 — модель семейства SAM 3 для сегментации объектов в изображениях и видео по текстовым и визуальным подсказкам. Карточка описывает её как единую базовую модель, способную находить, сегментировать и отслеживать объекты; для изображений она также поддерживает интерактивную сегментацию отдельного объекта по точкам, рамкам и маскам. Репозиторий использует архитектуру Sam3VideoModel и формат safetensors, а для работы предусмотрена библиотека Transformers. Для текстового запроса модель может выделить все соответствующие экземпляры объекта на изображении или во всех кадрах видео и отслеживать их между кадрами. В сценариях с визуальными подсказками она сегментирует или сопровождает выбранные объекты. Карточка сообщает, что SAM 3 расширяет возможности SAM 2 за счёт сегментации всех экземпляров открытого словарного понятия по короткой текстовой фразе или визуальным примерам. Указана оценка 75–80% от человеческого результата на бенчмарке SA-CO. Модель предназначена для задач компьютерного зрения и выдаёт маски сегментации; конкретный размер модели и длина контекста в предоставленных данных не указаны. Лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить условия лицензирования репозитория.

Карточка модели obsxrver/sam3 на Hugging Face совпадает с карточкой bodhicitta/sam3, поэтому описание составлено по ней. bodhicitta/sam3 — публикация модели SAM 3, универсальной модели для сегментации объектов на изображениях и видео с текстовыми и визуальными подсказками. README описывает возможности SAM 3 и вариантов SAM3 Video и Tracker: поиск всех экземпляров, соответствующих текстовой фразе или визуальному примеру, интерактивную сегментацию выбранного объекта по точкам, рамкам или маскам, а также сопровождение объектов между кадрами. Модель поддерживает открытый словарь текстовых понятий и может выдавать маски экземпляров; для изображений также доступна семантическая сегментация. Для видео она находит и отслеживает подходящие объекты по кадрам, включая потоковую обработку. В README заявлена оценка 75–80% от человеческого результата на бенчмарке SA-CO с 270 тысячами понятий. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

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 jesusoctavioas/sam3-original 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 pankjkkkkkk/sam3_pt 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.

facebook/sam-vit-huge — версия Segment Anything Model (SAM) с визуальным энкодером ViT-Huge, опубликованная Facebook. Модель выделяет объекты на изображениях и строит маски сегментации по подсказкам: координатам точек, ограничивающим рамкам или входной маске. Также она может автоматически предлагать маски для объектов на изображении без ручных подсказок. Архитектура включает визуальный энкодер на основе ViT, кодировщик подсказок и декодер масок с механизмами внимания. SAM обучалась на наборе из 11 миллионов изображений с более чем 1 миллиардом масок и рассчитана на перенос без дополнительного обучения на новые распределения изображений и задачи сегментации. Текстовые запросы в описанном интерфейсе не поддерживаются. Модель распространяется по лицензии Apache-2.0.

SenseNova-U1.5-8B-MoT — мультимодальная модель семейства NEO-unify, опубликованная разработчиками SenseNova. Это чекпойнт с 8 млрд параметров для генерации изображений и редактирования изображений по текстовым инструкциям, включая работу с несколькими референсами и управление объектами или областями изображения. Модель поддерживает диалоговый интерфейс; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для создания визуальных материалов, включая плакаты, инфографику и изображения с текстом, а также для локального редактирования, вставки и замены объектов с сохранением остального содержимого. В README заявлены улучшенная генерация в разрешении до 4K, следование сложным инструкциям и управление композицией через рамки и визуальные маркеры. Указаны английский и китайский языки; карточка не приводит длину контекста. Ограничения включают ошибки в мелком или плотном тексте, несовершенное соблюдение точных требований к количеству объектов и компоновке, нестабильные мелкие детали людей и возможное смещение содержимого при сложном многошаговом редактировании. Изображения также могут получаться перенасыщенными или перегруженными деталями.

samandar1105/sentiment-classifier — дообученная модель RoBERTa для бинарного анализа тональности английского текста. Она относит текст к положительному или отрицательному классу; модель разработана на основе roberta-base и обучена на наборах SST-2 и IMDB. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. В README указаны accuracy 0,9292 и F1 0,9413 на 20 000 отложенных примеров из IMDB. Подходит для анализа тональности отзывов и текстов, похожих на рецензии. Модель обучалась только на английских текстах и не распознаёт нейтральную тональность. Результаты на других типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

Это форк модели stabilityai/stable-diffusion-2-inpainting, подготовленный Phil Schmid для запуска в Hugging Face Inference Endpoints. Репозиторий содержит обработчик для задачи текстового редактирования изображений по маске на основе Stable Diffusion 2 и Diffusers. Модель принимает текстовый запрос, исходное изображение и маску области для изменения, а затем генерирует отредактированное изображение, сохраняя содержимое за пределами маски. Она предназначена для заполнения или замены выбранных частей изображения по текстовому описанию. Для запуска используется StableDiffusionInpaintPipeline из библиотеки Diffusers; веса хранятся в форматах Diffusers и PyTorch. Лицензия — OpenRAIL++. Подробные ограничения и условия использования унаследованы от исходной карточки stabilityai/stable-diffusion-2-inpainting; этот репозиторий отсылает к ней за сведениями о модели и ограничениях.

Swin-GPorTuguese-2 — модель для создания подписей к изображениям на бразильском португальском языке, представленная авторами исследования Brazilian Portuguese Image Captioning with Transformers: A Study on Cross-Native-Translated Dataset. Это архитектура Vision Encoder-Decoder: визуальный энкодер Swin Transformer, предварительно обученный на ImageNet-1k при разрешении 224×224, сочетается с декодером GPorTuguese-2. Модель дообучена на португальской версии Flickr30K, переведённой с помощью Google Translator API; для генерации указана максимальная длина последовательности 1024 токена. Модель принимает изображение и генерирует текстовое описание сцены. Она предназначена для автоматического создания подписей к изображениям и оценки качества таких подписей на португальских данных; в README приведены результаты на тестовой выборке Flickr30K Portuguese по метрикам CIDEr-D, BLEU@4, ROUGE-L, METEOR и BERTScore. Репозиторий использует Transformers и формат весов Safetensors. Лицензия — MIT. Поскольку обучение проводилось на переводной версии Flickr30K, точность формулировок и естественность португальского могут зависеть от качества перевода и отличаться для изображений вне этого набора.

swin-gpt-NWPU-captioning — модель для создания текстовых описаний изображений, опубликованная пользователем swadhindas324 на Hugging Face. Она построена на архитектуре VisionEncoderDecoderModel и дообучена для задачи image-text-to-text; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает изображение и генерирует текстовое описание. В README приведены результаты оценки: Loss 0,5339, Accuracy 85,19, BLEU-1 0,8630, BLEU-4 0,6472, METEOR 0,7734, ROUGE-L 0,7624 и CIDEr 1,8392. Карточка не раскрывает базовую модель, обучающий набор данных, поддерживаемые языки, контекст или условия лицензии, поэтому область применения и качество за пределами указанной оценки определить нельзя.

Swin Small Patch4 Window7 224 ms in1k — модель классификации изображений и визуальная backbone-модель из библиотеки timm. Она основана на архитектуре Swin Transformer с иерархическими представлениями и сдвинутыми окнами внимания. Модель разработана авторами Swin Transformer и предварительно обучена на ImageNet-1k. Веса содержат 49,6 млн параметров; модель рассчитана на изображения размером 224 × 224 пикселя и требует 8,8 GMACs на проход. Помимо классификации, её можно использовать для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

Swin Tiny — модель классификации изображений на базе иерархического Vision Transformer со сдвинутыми окнами внимания. Её распространяет библиотека timm; исходную модель обучили авторы статьи Swin Transformer: сначала на ImageNet-22k, затем дообучили на ImageNet-1k. В модели 28,3 млн параметров, она рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она подходит для распознавания объектов и сцен на изображениях, а также для построения прикладных систем компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT.

tiny_vit_21m_224.dist_in22k — модель TinyViT для классификации изображений, опубликованная авторами timm. Она предварительно обучена на ImageNet-22k с дистилляцией и может использоваться как классификатор или визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 33,2 млн параметров, выполняет около 4,1 GMAC на изображение и рассчитана на вход размером 224 × 224 пикселя. Модель подходит для классификации изображений и получения визуальных признаков в прикладных конвейерах компьютерного зрения. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

BritishWerewolf/U-2-Net — модель сегментации изображений на архитектуре U-2-Net. Она предназначена для получения детализированных масок и может применяться для удаления фона, выделения объектов и анализа медицинских изображений. Архитектура использует вложенные U-блоки с остаточными RSU-блоками, чтобы сочетать семантические признаки с мелкими деталями и строить карты сегментации высокого разрешения. Модель опубликована в формате ONNX и загружается через библиотеку Transformers. В карточке указана лицензия Apache-2.0. Конкретные ограничения качества и перечень поддерживаемых классов сегментации не описаны.

vit_base_r50_s16_224.orig_in21k — гибридная модель компьютерного зрения ResNet–Vision Transformer из библиотеки timm. Её предварительно обучили на ImageNet-21k авторы исходной работы в JAX, а Ross Wightman перенёс веса в PyTorch. В репозитории опубликованы веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель содержит 97,9 млн параметров и обрабатывает изображения размером 224 × 224 пикселя. Классификационная голова отсутствует: модель предназначена для извлечения признаков и эмбеддингов изображений, а также для дообучения под конкретную задачу. Её можно использовать как визуальную основу для классификаторов и других систем компьютерного зрения. Модель принимает изображения и выдаёт векторные признаки. Карточка не описывает поддержку языковых входов или конкретные ограничения качества.

ViTMatte — модель для выделения переднего плана и оценки альфа-матта по изображению, обученная на наборе Composition-1k. Она представлена в статье Yao и соавторов и впервые опубликована в репозитории команды ViTMatte. Архитектура сочетает Vision Transformer (ViT) с лёгкой предсказательной головой. Модель предназначена для точного отделения объектов переднего плана от фона на изображениях, например для подготовки масок объектов и композитинга. В репозитории доступны веса PyTorch и safetensors; лицензия — Apache-2.0. В README не приведены конкретные ограничения качества или сценарии, в которых модель может работать хуже.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), обученная авторами исследований на ImageNet-21k и дообученная на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса из JAX в PyTorch; модель распространяется в форматах PyTorch и safetensors через библиотеку timm. Модель содержит 22,2 млн параметров, рассчитана на изображения размером 384 × 384 и может использоваться как классификатор или основа для извлечения признаков и эмбеддингов изображений. Она предназначена для распознавания объектов и других классов ImageNet на изображениях. Лицензия — Apache-2.0. Модель обучена на ImageNet, поэтому её качество и набор распознаваемых категорий ограничены содержимым и разметкой этого датасета; для изображений вне этого распределения точность может снижаться.

VOLO-D1 — модель компьютерного зрения семейства Vision Outlooker для классификации изображений и извлечения признаков. Репозиторий timm содержит вариант, обученный на ImageNet-1k с разметкой токенов, предложенной авторами статьи VOLO. Модель использует изображения размером 384 × 384 пикселя и насчитывает 26,8 млн параметров; также её можно применять как основу для получения эмбеддингов изображений. Модель предназначена для определения объектов и категорий на изображениях, в том числе как визуальный backbone в системах компьютерного зрения. Она доступна в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0. Описание не сообщает об ограничениях на конкретные типы изображений или метриках качества; обучение на ImageNet-1k задаёт основной сценарий распознавания категорий этого набора.

XCiT Tiny 12/16 224 — модель классификации изображений и визуальный backbone семейства Cross-Covariance Image Transformer (XCiT), опубликованный авторами работы и предварительно обученный на ImageNet-1k. Чекпойнт содержит 6,7 млн параметров, рассчитан на изображения размером 224 × 224 и требует около 1,2 GMACs на обработку изображения. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как backbone для извлечения визуальных признаков и эмбеддингов. Доступны веса PyTorch и safetensors; библиотека модели — timm. Репозиторий распространяется по лицензии Apache-2.0.

Amit Aminov разработал классификатор отзывов на основе BERT-base, дообученный для предсказания оценки от 1 до 5 звёзд по тексту отзыва. Модель использует архитектуру BertForSequenceClassification: 12 слоёв, размер скрытого представления 768; содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для определения рейтинга в англоязычных отзывах о ресторанах, компаниях и товарах, написанных в привычном формате оценок от одной до пяти звёзд. Она обучена на наборе yelp_review_full и выдаёт одну из пяти меток LABEL_0–LABEL_4, соответствующих оценкам от 1 до 5 звёзд. Для использования указана библиотека Transformers; веса опубликованы в формате safetensors. Классификатор можно применять для автоматической сортировки отзывов по предполагаемой оценке и анализа пользовательских впечатлений. Точность на отложенной выборке в карточке не приведена. Короткие фрагменты, тексты не в формате отзывов и другие языки могут снижать надёжность предсказаний; оценки также могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Карточка модели Gencarmo/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.