IV.1Ритейл, электронная коммерция и fashion-tech

LibreGroundingDINOb — модель обнаружения объектов с открытым словарём, опубликованная LibreYOLO как набор весов Grounding DINO Swin-B для уровня LibreOpenVocab. Репозиторий зеркалирует IDEA-Research/grounding-dino-base и содержит файлы снимка Hugging Face Transformers для загрузки через обёртку LibreYOLO; обученные параметры не изменялись. Модель находит объекты на изображениях по текстовым запросам, поэтому её можно применять для обнаружения заданных пользователем категорий без предварительного обучения на каждом классе. Для репозитория указана лицензия Apache-2.0. Модель основана на Grounding DINO Base и распространяется в формате safetensors.

LongCat-Image-Edit-Turbo — дистиллированная версия модели LongCat-Image-Edit для редактирования изображений. Она предназначена для преобразования входного изображения по текстовому запросу и выполняет генерацию за 8 вызовов модели, что снижает задержку вывода. Модель особенно поддерживает добавление текста на изображение: целевой текст следует заключать в одинарные или двойные кавычки, в том числе в китайском стиле кавычек. В карточке указаны форматы Diffusers и Safetensors и лицензия Apache-2.0.

onnx-community/mediapipe_selfie_segmentation_landscape — модель сегментации изображений в формате ONNX, опубликованная сообществом onnx-community. В метаданных указана архитектура MobileNetV3; модель предназначена для выделения областей изображения, в частности для сегментации фона на изображениях с людьми. Модель можно применять для отделения человека от фона и подготовки изображений к замене или размытию фона. Карточка содержит пример использования через Transformers.js. Репозиторий использует лицензию Apache-2.0.

MobileNet-EdgeTPU-V2 m.ra4_e3600_r224_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная на ImageNet-1k. Она рассчитана на распознавание объектов на изображениях и может использоваться как компактная базовая сеть для задач компьютерного зрения. Модель содержит 8,5 млн параметров, требует около 1,9 GMACs вычислений и обучалась на изображениях размером 224 × 224 пикселя; для тестирования в карточке указано разрешение 256 × 256. Обучение проводилось с помощью timm, с гиперпараметрами, основанными на MobileNet-V4 Small и практиках timm и «ResNet Strikes Back». Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Данные карточки не подтверждают поддержку Edge TPU как аппаратной платформы исполнения, поэтому это название архитектуры не следует считать гарантией совместимости с конкретным устройством.

MobileNetV4 Conv Small — сверточная модель классификации изображений из семейства MobileNetV4, опубликованная Россом Уайтманом в библиотеке timm. Она обучена на ImageNet-1k с использованием скриптов timm и гиперпараметров, основанных на статье MobileNetV4 с доработками timm. Модель содержит около 3,8 млн параметров и предназначена для классификации изображений и использования в качестве визуального backbone; также доступны извлечение карт признаков и эмбеддингов изображений. Модель рассчитана на изображения размером 224 × 224 при обучении и 256 × 256 при тестировании. Веса представлены в форматах PyTorch и Safetensors; лицензия — Apache-2.0. В карточке указано, что официальные веса моделей TensorFlow пока не выпущены, а описанный набор весов является единственным известным для MobileNetV4 на момент публикации карточки.

mobilenetv4_conv_small.e3600_r256_in1k — модель семейства MobileNetV4 для классификации изображений и извлечения признаков. Её обучил Ross Wightman с помощью скриптов timm на ImageNet-1k; обучение использовало гиперпараметры, основанные на статье о MobileNetV4, с доработками timm. Веса опубликованы в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель содержит около 3,8 млн параметров и рассчитана на мобильные сценарии с ограниченными вычислительными ресурсами: README указывает 0,2 GMAC и размер изображения 256 × 256 для обучения и 320 × 320 для проверки. Её можно применять для распознавания классов объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Обучение на ImageNet-1k ориентирует модель на классификацию категорий этого набора данных; качество для иных доменов и типов изображений может отличаться. В карточке отмечено, что официальные веса TensorFlow на момент её публикации не были доступны.

MobileVLM_V2-1.7B — компактная визуально-языковая модель из семейства MobileVLM V2, разработанного авторами проекта MobileVLM. Она принимает изображение и текстовый запрос и генерирует текстовые ответы, например описания изображения и ответы на вопросы о его содержимом. Модель создана на основе MobileLLaMA-1.4B-Chat для удобного развертывания; в карточке указано 1,3 млрд параметров, архитектура MobileLlamaForCausalLM и контекст 2048 токенов. Для MobileVLM V2 заявлены результаты на стандартных тестах визуально-языковых моделей на уровне или выше ряда более крупных моделей, однако README не приводит конкретные оценки для версии 1.7B. Модель доступна под лицензией Apache-2.0.

OmniGen-V1-fp8_e4m3fn — версия OmniGen-V1 в формате FP8, опубликованная silveroxides. OmniGen — унифицированная модель генерации изображений на основе текстовой архитектуры Phi-3; она принимает текстовые инструкции и изображения и формирует изображения. Модель предназначена для генерации по текстовому описанию, редактирования изображений, генерации с опорой на заданный объект или личность, а также создания изображений с учётом входного изображения. Модель объединяет несколько сценариев работы с изображениями без дополнительных модулей вроде ControlNet и предварительной обработки, такой как обнаружение лиц или поз. В карточке указано 3,7 млрд параметров и контекст 4096 токенов. OmniGen описана как модель с возможностями генерации широкого спектра изображений, но разработчики отмечают, что она нуждается в дальнейшей оптимизации из-за ограниченности ресурсов. Лицензия — MIT.

Helsinki-NLP/opus-mt-ja-da — модель машинного перевода с японского на датский из проекта OPUS-MT, основанная на архитектуре MarianMT. Она принимает японский текст и генерирует перевод на датском; обработка включает нормализацию и SentencePiece-токенизацию с моделями spm32k для исходного и целевого текста. Размер модели — 58,2 млн параметров, контекст — до 512 токенов. В тесте Tatoeba для направления японский—датский указаны BLEU 43,2 и chr-F 0,590. Модель выпущена под лицензией Apache-2.0.

P2R-4B — модель для детального визуального рассуждения, созданная авторами работы Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning на основе Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые запросы, а в ответ формирует текст с анализом и выводами. В основе подхода P2R лежит двухэтапная схема, разделяющая восприятие изображения и рассуждение; при обучении применялась стратегия PRA-GRPO с чередованием ролей. Модель предназначена для вопросов о мелких визуальных деталях и других задач тонкого визуального анализа. В README приведены улучшенные результаты относительно Qwen3-VL-Instruct-4B на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

PantryMax SmolVLM-500M ONNX — мультимодальная модель на базе Idefics3, выпущенная как браузерная сборка ONNX Runtime Web. Это LoRA-файнтюн HuggingFaceTB/SmolVLM-500M-Instruct для локального извлечения сведений с этикеток товаров и страниц рецептов. Модель принимает изображение и выбранную задачу («product» или «recipe»), а приложение PantryMax ограничивает генерацию соответствующей JSON-схемой. Сборка предназначена для работы прямо в браузере без отправки изображений на сервер; в репозитории находятся только браузерные runtime-файлы. Метаданные указывают мультиязычную поддержку и задачу image-to-text. Извлечённые поля могут быть ошибочными: структурированное декодирование обеспечивает разбираемый формат, но не гарантирует фактическую точность. Следует проверять результаты и не использовать модель как источник истины для решений с высокими ставками. Лицензия в метаданных обозначена как other, конкретные условия в предоставленной карточке не раскрыты.

Это FP8-квантизированная версия Qwen/Qwen-Image-Edit-2511, подготовленная для работы с библиотекой Hugging Face Diffusers и конвейером QwenImageEditPlusPipeline. Квантизация FP8 формата torch.float8_e4m3fn применена к компоненту transformer; репозиторий содержит веса в формате safetensors. Модель предназначена для редактирования изображений по текстовым инструкциям на основе исходного изображения. Модель подходит для внесения заданных пользователем изменений в изображения и для сценариев редактирования сцен или персонажей с сохранением визуальной согласованности. Это производный вариант модели Qwen, а не отдельная обученная с нуля модель. Репозиторий распространяется по лицензии Apache 2.0. Сведения об архитектуре, обучении и оценках качества приведены в карточке базовой модели.

Qwen-Image-Edit-2511-GGUF — квантизированная версия модели Qwen-Image-Edit-2511, разработанной командой Qwen; опубликованный вариант использует формат GGUF и методологию Unsloth Dynamic 2.0. Модель предназначена для редактирования изображений по текстовым инструкциям и исходным изображениям, включая работу с несколькими входными изображениями. Заявлена совместимость с Image-to-Image-сценариями и запуском через ComfyUI-GGUF. Ключевые возможности включают уменьшение дрейфа изображения, улучшенное сохранение идентичности персонажей и согласованности людей на групповых фотографиях, поддержку LoRA, генерацию объектов промышленного дизайна и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Архитектура, число параметров, максимальное разрешение и размер контекста в README не указаны. Квантизация может снизить требования к ресурсам, однако конкретные системные требования и возможные потери качества не приведены. Модель распространяется по лицензии Apache-2.0. Для работы рекомендуется использовать Diffusers или ComfyUI с поддержкой GGUF; в примере запуска применяется GPU и тип данных bfloat16, но точные требования к видеопамяти не указаны.

Realistic Vision V2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем SG161222. Карточка рекомендует использовать VAE для повышения качества и устранения синих артефактов. Автор предлагает настройки генерации: сэмплеры Euler A или DPM++ 2M Karras, 25 шагов и CFG Scale 3,5–7; для увеличения разрешения описан вариант с Latent upscaler. Модель предназначена для создания фотореалистичных изображений, в том числе портретов и сцен с людьми. README приводит пример промпта для портрета и советует задавать детали объекта, освещения и съёмки. Репозиторий использует форматы Diffusers, PyTorch и Safetensors; лицензия — CreativeML Open RAIL-M.

regnetx_160.tv2_in1k — модель компьютерного зрения семейства RegNetX-16GF, подготовленная авторами torchvision и представленная в реализации timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Модель содержит 54,3 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, настройку шага выходных признаков и конфигурируемые слои активации и нормализации. Веса доступны в форматах PyTorch и safetensors. Модель подходит для распознавания объектов и категорий на изображениях общего назначения и может служить визуальным backbone для последующих задач. Она обучена на ImageNet-1k, поэтому её классификация ограничена категориями и распределением данных этого набора; для других предметных областей может потребоваться адаптация. Лицензия — BSD 3-Clause.

regnety_002.pycls_in1k — модель классификации изображений семейства RegNetY, представленная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Модель содержит 3,2 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность около 0,2 GMAC. Реализация timm поддерживает стохастическую глубину, контрольные точки градиентов и настройку выходного шага. Модель подходит как компактная основа для классификации изображений и визуальных конвейеров, которым нужны карты признаков или эмбеддинги. Карточка указывает лицензию MIT. Оценки качества для этой конкретной версии в приведённой карточке не указаны.

RepVGG B3g4 — сверточная модель классификации изображений, обученная авторами статьи на ImageNet-1k и представленная в библиотеке timm. Она также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 83,8 млн параметров, имеет вычислительную сложность 17,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Архитектура реализована в timm через конфигурируемый BYOBNet; веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество специализированы под этот набор данных; карточка не описывает отдельные языковые возможности. Лицензия — MIT.

timm/resnet34.gluon_in1k — свёрточная модель семейства ResNet34 для классификации изображений и извлечения признаков. Её подготовил проект timm; модель обучена на ImageNet-1k с использованием рецептов Bag of Tricks для классификации изображений в Apache Gluon. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом и проекции 1×1 в shortcut-соединениях для уменьшения размерности. Модель содержит около 21,8 млн параметров, требует 3,7 GMACs и рассчитана на изображения размером 224×224. Помимо классификации, её можно применять как основу для извлечения карт признаков и эмбеддингов изображений. Модель принимает изображения и выдаёт классы либо признаки в зависимости от сценария использования. Лицензия Apache-2.0 разрешает использование на её условиях; качество классификации зависит от соответствия входных изображений ImageNet и требуемой предметной области.

microsoft/resnet-50 — сверточная ResNet-50 v1.5, представленная в статье Deep Residual Learning for Image Recognition Хэ и соавторов. Модель предварительно обучена на ImageNet-1k и классифицирует изображения по 1000 классам. Расчётный размер входного изображения при обучении — 224×224 пикселя. Остаточные связи и блоки с узким местом позволяют обучать глубокую сеть. Вариант v1.5 переносит шаг уменьшения разрешения на свёртку 3×3; по данным карточки, это даёт примерно на 0,5% более высокую точность top-1, чем v1, при снижении пропускной способности примерно на 5%. Модель подходит для классификации изображений общего назначения и может служить отправной точкой для дообученных версий под конкретные задачи. Распространяется по лицензии Apache-2.0.

ResNeXt-50 32x4d Gluon IN1k — сверточная модель классификации изображений из библиотеки timm, разработанная на основе архитектуры ResNeXt и обученная на ImageNet-1k по рецептам Bag of Tricks в Apache Gluon. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 25 млн параметров, использует ReLU, начальную свертку 7×7 с пулингом, групповые свертки 3×3 в bottleneck-блоках и проекции 1×1 в shortcut-соединениях. Рекомендуемый размер входного изображения — 224×224. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель рассчитана на распознавание объектов из ImageNet-1k; перенос на другие наборы классов или предметные области может потребовать дополнительного обучения. В карточке не приведены языковые возможности, поскольку модель обрабатывает изображения и выдаёт классы, а не текст.

onnx-community/rfdetr_medium-ONNX — модель обнаружения объектов на основе архитектуры RF-DETR, опубликованная в сообществе onnx-community. Репозиторий содержит веса в формате ONNX для использования через Transformers.js. Модель принимает изображения и определяет на них объекты, возвращая классы и рамки обнаруженных объектов. Она подходит для интеграции распознавания объектов в приложения на JavaScript. В карточке не приведены сведения о размере модели и поддерживаемых языках. Лицензия — Apache-2.0.

SAM 2.1 Hiera Tiny — компактная трансформерная модель сегментации изображений и видео, разработанная Meta FAIR и опубликованная в Transformers. Она выделяет объекты по запросу пользователя: точкам, рамкам или маскам. Для видео потоковая архитектура с модулем памяти переносит сегментацию между кадрами и отслеживает объекты, в том числе когда они временно исчезают. Модель подходит для интерактивного редактирования видео и изображений, а также для сегментации без дополнительного обучения на новых объектах и визуальных областях. Чекпойнт содержит около 38,9 млн параметров; в README для SAM 2.1 Hiera Tiny указана скорость 91,2 кадра в секунду на тестах. Репозиторий содержит веса Safetensors и предназначен для использования с библиотекой Transformers. Модель принимает изображения или кадры видео и визуальные подсказки, а выдаёт маски сегментации. Она не ограничена заранее заданными семантическими классами и предназначена для выделения целых объектов и их частей. Модель может хуже работать на редких или незнакомых визуальных областях; для критически важных сценариев рекомендуется проверка человеком, а для узких предметных областей может потребоваться дообучение. Указанная лицензия репозитория — Apache-2.0; в README также упоминается BSD 3-Clause.

Карточка модели jtreminio/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.

SlimSAM-50-uniform — сжатая версия Segment Anything Model (SAM), опубликованная в репозитории Hugging Face nielsr. Это обрезанная и дистиллированная модель семейства SAM на архитектуре ViT с кодировщиком изображений, кодировщиком подсказок и декодером масок. Она принимает изображение и подсказки в виде точек, ограничивающих рамок или маски и строит маски объектов; также поддерживается автоматическая сегментация изображения без пользовательской подсказки с помощью сетки точек. Модель предназначена для сегментации объектов, в том числе в сценариях с ограниченными вычислительными ресурсами. В карточке указано, что SlimSAM содержит 5,7 млн параметров и требует меньше вычислений и обучающих данных, чем исходная SAM-H, при близком качестве. Текстовые подсказки официальной реализацией не поддерживаются. Модель распространяется в формате safetensors по лицензии Apache-2.0.

SwinV2 Base window 8 256 — модель классификации изображений семейства Swin Transformer V2, опубликованная авторами соответствующей научной работы и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-1k и содержит около 87,9 млн параметров; она рассчитана на изображения размером 256 × 256 пикселей. Модель присваивает изображению класс из набора ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Подходит для классификации фотографий и как компонент более крупных систем компьютерного зрения. Вычислительная сложность указана как 20,4 GMACs. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

Talk2DINOv3-ViTB — модель для сегментации изображений по свободно заданным текстовым категориям. Подход Talk2DINO разработан Luca Barsellotti, Lorenzo Bianchi и соавторами и представлен на ICCV 2025. Модель объединяет пространственные признаки DINOv2 с языковыми представлениями CLIP: обученная функция отображает текстовые эмбеддинги CLIP в пространство признаков патчей DINOv2, не дообучая сами базовые модели. Модель предназначена для open-vocabulary сегментации: она строит маски объектов по пользовательским текстовым описаниям без ограничения заранее заданным набором классов. Такой подход помогает точнее локализовать объекты и получать более естественные и менее шумные сегментации, а также отделять передний план от фона. README описывает исследовательские результаты на бенчмарках и пример инференса с пользовательскими категориями. Репозиторий содержит веса в формате safetensors и использует PyTorch. Лицензия — Apache-2.0. README описывает метод через DINOv2 и CLIP, хотя название репозитория указывает на DINOv3; размер модели, контекст и поддерживаемые языки в предоставленных данных не приведены.

tf_efficientnet_b6.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Ross Wightman перенёс веса в PyTorch. Модель содержит около 43 млн параметров, использует изображения размером 528 × 528 и также может служить основой для извлечения карт признаков и эмбеддингов. Модель предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных представлений в прикладных системах компьютерного зрения. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит сведения о поддерживаемых естественных языках; модель работает с изображениями и выдаёт классы либо признаки.

tf_efficientnet_lite0.in1k — сверточная модель классификации изображений семейства EfficientNet-Lite. Её обучили авторы статьи EfficientNet на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 4,7 млн параметров, расчётный размер изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов. Компактный размер и вычислительная стоимость около 0,4 GMAC делают её подходящей для сравнительно лёгких сценариев компьютерного зрения. Лицензия — Apache-2.0.

timm/tf_efficientnet_lite3.in1k — свёрточная модель семейства EfficientNet-Lite для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы EfficientNet на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; репозиторий распространяет модель в форматах PyTorch и safetensors через библиотеку timm. Модель содержит около 8,2 млн параметров, рассчитана на изображения размером 300 × 300 пикселей и выполняет классификацию по категориям ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов изображений. Лицензия — Apache-2.0.

THAI-BLIP-2 — модель для создания текстовых описаний изображений на тайском языке, разработанная дообучением Salesforce/blip2-opt-2.7b-coco на тайских подписях к изображениям MSCOCO2017. Она использует архитектуру BLIP-2 с языковой частью OPT-2.7B и предназначена для генерации подписи по изображению. Модель работает с изображениями и выдаёт текст; для использования предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Лицензия — MIT.