IV.1Ритейл, электронная коммерция и fashion-tech

Pyramid Vision Transformer (PVT) — компактная модель классификации изображений, опубликованная Rinat S. под именем Xrenya; архитектуру PVT представили Wenhai Wang и соавторы. Модель предварительно обучена на ImageNet-1K и дообучена на ImageNet 2012 для распознавания 1000 классов. Она принимает RGB-изображение размером 224×224 и выдаёт класс изображения и оценки классов. В основе лежит трансформерный энкодер с последовательностями патчей и пирамидальным уменьшением карт признаков по этапам, что снижает вычислительную нагрузку по сравнению с обычным ViT. Предобученные представления также можно использовать как основу для обучения классификатора на собственном наборе размеченных изображений. Модель доступна в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

FriendliAI/Qwen2-VL-7B-Instruct — копия модели Qwen2-VL-7B-Instruct, размещённая FriendliAI. В README указано, что в tokenizer.json добавлены отсутствовавшие токены; метаданные связывают репозиторий с Qwen/Qwen2-VL-7B как с базовой моделью для дообучения. Это плотная мультимодальная модель с архитектурой Qwen2-VL и 7,1 млрд параметров, предназначенная для диалоговых задач с изображениями. Она принимает текст и изображения и формирует текстовые ответы; базовая модель также описана как способная понимать видео, однако поддержка видео именно этой копией в README не подтверждена. Контекст составляет 32 768 токенов. Модель подходит для вопросов по изображениям, описания визуального содержимого и диалогового взаимодействия с визуальными данными. Карточка указывает библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. README не описывает отдельного дообучения или оценок качества этой копии.

OPPOer/Qwen-Image-10B — дообученная модель генерации изображений по текстовому описанию, опубликованная OPPOer и основанная на Qwen/Qwen-Image. Она предназначена для создания изображений по запросам на английском и китайском языках; в метаданных также указан датасет OPPOer/X2Edit-Dataset, связанный с редактированием изображений. Модель распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0.

realistic-stock-photo — модель генерации изображений по текстовому описанию, представленная stablediffusionapi.com и доступная через API ModelsLab. Карточка Hugging Face указывает конвейер StableDiffusionXLPipeline и форматы Diffusers, PyTorch и SafeTensors; лицензия — CreativeML OpenRAIL-M. Модель предназначена для создания фотореалистичных изображений в стиле стоковой фотографии, включая портреты и сцены с заданными визуальными деталями. В примере API доступны позитивный и негативный промпты, настройка размера изображения, числа шагов генерации и guidance scale. README показывает пример 512×512 с 30 шагами; это параметры примера, а не заявленные пределы модели. В карточке не приведены сведения о числе параметров, контекстном окне или языках. Пример промпта дан на английском; подтверждений поддержки других языков нет. Для использования через описанный сервис нужен API-ключ ModelsLab. Условия лицензии CreativeML OpenRAIL-M распространяются на модель; условия доступа к API определяются отдельно сервисом.

RegNetY-16GF — модель классификации изображений и извлечения признаков из семейства RegNet, опубликованная Ross Wightman в библиотеке timm. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k; число параметров — около 83,6 млн. Для обучения указано разрешение 224×224 пикселя, для тестирования — 288×288. Модель подходит для классификации изображений по категориям ImageNet, извлечения карт признаков и получения эмбеддингов изображений. Реализация timm поддерживает, среди прочего, stochastic depth, gradient checkpointing и настройку выходного шага сети. Модель принимает изображения и выдаёт классы либо признаки, в зависимости от выбранного режима использования. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях по применению.

RepGhostNet 0.50 — компактная модель классификации изображений и извлечения признаков, опубликованная авторами работы о RepGhost. Она обучена на ImageNet-1k и предназначена для классификации изображений, получения карт признаков и визуальных эмбеддингов. В модели около 2,3 млн параметров; стандартный размер входного изображения — 224 × 224 пикселя. Репозиторий содержит веса PyTorch и SafeTensors, а для работы предусмотрена библиотека timm. Модель распространяется по лицензии MIT.

RepVGG B0 — сверточная модель классификации изображений, обученная авторами статьи RepVGG на ImageNet-1k. Архитектура реализована в библиотеке timm через конфигурируемый фреймворк BYOBNet и может использоваться как классификатор или как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 15,8 млн параметров, имеет вычислительную стоимость 3,4 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Весы доступны в форматах PyTorch и safetensors; лицензия — MIT. Она подходит для классификации изображений общего назначения и построения признаков для последующих задач компьютерного зрения.

RepViT-M1.5.dist-450e-in1k — модель классификации изображений семейства RepViT, обученная авторами статьи на ImageNet-1k с дистилляцией. Репозиторий предоставляет веса в форматах PyTorch и safetensors; модель доступна через библиотеку timm. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Она содержит 14,6 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 2,3 GMACs. Лицензия — Apache-2.0.

Res2Net50 26w 6s — сверточная модель классификации изображений и извлечения признаков из семейства Res2Net, разработанная авторами соответствующей научной работы и опубликованная в формате timm. Модель обучена на ImageNet-1k; содержит 37,1 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует многомасштабные блоки Res2Net для построения признакового представления изображения. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов, которые можно использовать в компьютерном зрении. В карточке указаны вычислительная стоимость 6,3 GMACs и 15,3 млн активаций. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования следует проверить в репозитории.

timm/resmlp_36_224.fb_in1k — модель классификации изображений семейства ResMLP, обученная авторами статьи на ImageNet-1k. Она подходит для присвоения изображениям категорий из набора ImageNet-1k и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Архитектура построена на feedforward-блоках ResMLP; модель содержит 44,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель принимает изображения и выдаёт метки классов; её признаки также можно использовать для задач поиска и сравнения изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ResNeSt-50d 1s4x24d — модель классификации изображений на основе ResNet с механизмом Split Attention, обученная авторами статьи на ImageNet-1k. Её можно использовать для отнесения изображений к классам ImageNet, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 25,7 млн параметров, требует изображений размером 224 × 224 и имеет вычислительную сложность 4,4 GMACs. Она доступна в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0.

ResNet101.a1_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet-B использует ReLU, начальную свёртку 7×7 с пулингом и свёрточные обходные связи 1×1. Модель содержит 44,5 млн параметров и рассчитана на изображения размером 224×224 при обучении и 288×288 при проверке. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений в компьютерном зрении. Для применения доступны веса PyTorch и SafeTensors; лицензия — Apache 2.0. Карточка приводит характеристики вычислительной нагрузки, но не описывает ограничения точности или поведения вне ImageNet-1k.

ResNet152D.ra2_in1k — сверточная модель классификации изображений из библиотеки timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp и усреднением весов EMA. Архитектура ResNet-D использует активации ReLU, трехслойный ствол из сверток 3×3 с пулингом и shortcut-соединения с усредняющим пулингом 2×2 и сверткой 1×1. Модель содержит около 60,2 млн параметров и выполняет классификацию изображений; также она может служить основой для извлечения карт признаков и эмбеддингов изображений. При обучении использовался размер изображения 256×256, для оценки — 320×320. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия Apache-2.0 допускает использование и модификацию на её условиях.

timm/resnet51q.ra2_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом в библиотеке timm. Она основана на архитектуре ResNet, реализованной через BYOBNet, с четырёхслойным stem-блоком без pooling и активациями SiLU. Модель обучена на ImageNet-1k; в ней 35,7 млн параметров, вычислительная сложность составляет 6,4 GMAC. Размер изображений для обучения — 256×256, для тестирования — 288×288. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов, например, как визуальный backbone в компьютерном зрении. Веса доступны в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия — Apache-2.0.

ReXNet-100 — компактная сверточная модель классификации изображений из семейства ReXNet, опубликованная авторами научной работы «Rethinking Channel Dimensions for Efficient Model Design» и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-1k и содержит около 4,8 млн параметров; для стандартного распознавания использует изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Компактный размер и вычислительная стоимость около 0,4 GMAC делают её подходящей для ресурсоограниченного компьютерного зрения. Карточка не описывает поддержку языкового ввода или генерацию изображений. Распространяется по лицензии MIT.

rorshark-vit-base — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k. Она предназначена для присвоения изображению метки класса и может использоваться в сценариях, где нужно автоматически распознавать категории объектов или изображений. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors. В README указана точность 0,9923 и значение функции потерь 0,0393 на оценочном наборе. Данные представлены в формате imagefolder, однако названия классов и предметная область не описаны. Модель выпущена под лицензией Apache-2.0.

Карточка модели jetjodh/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.

syscv-community публикует SAM-HQ ViT-Huge — вариант Segment Anything Model с улучшенным качеством сегментационных масок. Модель сохраняет prompt-дизайн SAM и использует Vision Transformer; дополнительные компоненты — обучаемый HQ Output Token в декодере масок и слияние глобальных и локальных признаков. По карточке, обучение проводилось на 44 тысячах детализированных масок, а число дополнительных параметров составляет менее 0,5% от исходной SAM. Модель предназначена для генерации масок объектов по изображению и подсказкам в виде точек, рамок или масок, а также для автоматической генерации масок с помощью сетки точек. Она особенно полезна для объектов со сложными границами и тонкими структурами, подходит для автоматической разметки и редактирования изображений и видео; карточка также сообщает о сохранении обобщения на новые наборы данных без дообучения. Текстовые подсказки официальной реализацией не поддерживаются. Репозиторий предоставляет веса в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

SAM-HQ (Segment Anything in High Quality) — модель компьютерного зрения, представленная в репозитории syscv-community и основанная на архитектуре Segment Anything Model. Она создаёт высококачественные маски объектов по изображению и подсказкам: точкам, ограничивающим рамкам или маске; также поддерживает автоматическую генерацию масок без целевого текстового описания. Модель рассчитана на точную сегментацию объектов со сложными границами и тонкими структурами, автоматическую разметку изображений и задачи редактирования изображений или видео. В основе лежит ViT-архитектура SAM с обучаемым токеном высококачественного вывода и слиянием глобальных и локальных признаков. Эти изменения улучшают детализацию масок при небольшом увеличении числа параметров относительно исходной SAM. Модель обучали на наборе HQSeg-44K и оценивали на нескольких задачах сегментации, включая перенос без дообучения. Доступны веса в формате safetensors для Transformers. Ввод текста для выбора объекта не поддерживается, поэтому объект нужно указать визуальной подсказкой либо использовать автоматическую генерацию масок. Модель распространяется по лицензии Apache-2.0.

sap-rpt-1-oss — открытая модель SAP для предсказаний по табличным данным, основанная на работе ConTextTab: A Semantics-Aware Tabular In-Context Learner. Она использует table-native in-context learning и специализированные представления для разных типов данных, чтобы учитывать значения ячеек, названия столбцов и их семантический контекст. Чекпойнт и возможности совпадают с прежней версией ConTextTab. Модель принимает таблицу в виде pandas DataFrame или массива NumPy и предназначена для классификации и регрессии. Предобработка не требуется: имена столбцов и значения ячеек автоматически встраиваются с помощью работающей в фоновом режиме языковой модели, а пропуски обрабатываются. Архитектура сочетает обработку табличной структуры с семантическим представлением реальных данных; в README заявлена конкурентоспособность на широком наборе бенчмарков и сильные результаты на CARTE. Репозиторий распространяется по лицензии Apache-2.0. Для загрузки чекпойнтов требуется авторизация в Hugging Face. В README не указаны размеры модели или ограничения на контекст; известных проблем авторы не сообщают.

SelecSLS60b.in1k — сверточная модель компьютерного зрения для классификации изображений и извлечения признаков. Она обучена авторами статьи на ImageNet-1k; в карточке указано 32,8 млн параметров, 3,6 GMACs и размер входного изображения 224 × 224 пикселя. Модель можно использовать для отнесения изображения к одному из классов ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Она доступна через библиотеку timm в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0.

semnasnet_100.rmsp_in1k — сверточная модель для классификации изображений из библиотеки timm, разработанная командой timm. Она основана на архитектуре MNasNet с канальным вниманием Squeeze-and-Excitation и обучена на ImageNet-1k. Модель предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Модель содержит 3,9 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость около 0,3 GMAC. При обучении применялись оптимизатор RMSProp, усреднение весов EMA и аугментации, включая RandomErasing и mixup. Лицензия — Apache-2.0.

SHViT S1 — модель классификации изображений и визуальный backbone семейства Single-Head Vision Transformer, обученная авторами статьи на ImageNet-1k. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться для извлечения карт признаков и визуальных эмбеддингов в компьютерном зрении. Модель содержит 6,3 млн параметров, требует 0,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors; использовать модель можно через библиотеку timm. Лицензия — MIT.

vantagewithai/SkyReels-V3-14B-GGUF — это квантованная версия GGUF мультимодальной модели SkyReels V3, разработанной SkyReels/Skywork; репозиторий также содержит ссылки на исходные варианты SkyReels-V3-R2V-14B, SkyReels-V3-V2V-14B и SkyReels-V3-A2V-19B. Модель предназначена для генерации и преобразования видео в рамках единой multimodal in-context learning архитектуры. Основные сценарии включают генерацию видео по одной или нескольким референсным изображениям, video-to-video преобразование и генерацию видео под управлением аудио. В режиме Reference to Video поддерживается объединение до четырёх изображений персонажей, объектов и фонов с текстовыми инструкциями; модель ориентирована на сохранение идентичности объектов, согласованность композиции и создание динамичных сцен. Заявлены применения в производстве видео, социальных сетях, live-commerce, демонстрации товаров и создании talking avatar. Поддерживаются соотношения сторон 1:1, 3:4, 4:3, 16:9 и 9:16. Известный размер основной модели — 14B параметров; конкретный формат квантования, поддерживаемые языки, максимальная длина контекста, разрешение и системные требования для данной GGUF-сборки в README не указаны. К сильным сторонам относятся мультимодальность, работа с несколькими референсами, согласованность субъектов и фонов, а также поддержка различных сценариев генерации и редактирования видео. Ограничения, включая качество на конкретных входных данных, производительность и требования к оборудованию, не описаны. Модель распространяется по лицензии Skywork License, обозначенной как license: other; точные условия следует уточнять в файле LICENSE.

timm/starnet_s2.in1k — модель StarNet для классификации изображений, обученная авторами архитектуры на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 3,7 млн параметров, требует около 0,5 GMACs вычислений и рассчитана на изображения размером 224 × 224 пикселя. Она доступна в формате PyTorch с весами Safetensors и используется через библиотеку timm. Подходит для классификации изображений и получения визуальных признаков в компьютерном зрении, особенно когда важны компактный размер и низкая вычислительная стоимость. Языковой ввод не поддерживает. Лицензия — Apache-2.0.

tf_efficientnet_b0.aa_in1k — сверточная модель семейства EfficientNet для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы EfficientNet на ImageNet-1k с применением AutoAugment в TensorFlow; Ross Wightman перенёс веса в PyTorch. Репозиторий timm предоставляет модель в форматах PyTorch и safetensors. Модель содержит около 5,3 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и может использоваться как классификатор или визуальный backbone для получения карт признаков и эмбеддингов. Она подходит для распознавания объектов и категорий из ImageNet-1k, а также как компактная основа для компьютерного зрения. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k; её классы и качество вне этого набора могут не соответствовать конкретным прикладным данным без дополнительной настройки.

timm/tf_efficientnet_b0.ns_jft_in1k — сверточная модель классификации изображений семейства EfficientNet-B0. Исходную модель обучили авторы работ по EfficientNet и Noisy Student на ImageNet-1k и неразмеченных данных JFT-300M; Росс Уайтман перенёс веса в PyTorch для библиотеки timm. Модель содержит около 5,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Её можно использовать для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Модель принимает изображения и выдаёт оценки классов либо признаки для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

tf_efficientnet_em.in1k — свёрточная модель классификации изображений семейства EfficientNet-EdgeTPU. Её обучили авторы исследований на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит 6,9 млн параметров, требует изображения размером 240 × 240 пикселей и выполняет около 3,0 GMACs вычислений. Она предсказывает классы из набора ImageNet-1k; данные не указывают на поддержку других модальностей или языковых задач. Репозиторий распространяет веса в форматах PyTorch и safetensors по лицензии Apache-2.0.

TinyViT-11M — компактная модель семейства Vision Transformer для классификации изображений и извлечения визуальных признаков. Модель опубликована авторами TinyViT и доступна в библиотеке timm; в репозитории представлены веса PyTorch и safetensors. Модель предварительно обучена на ImageNet-22k с дистилляцией, затем дообучена на ImageNet-1k. Она содержит 11 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность 1,9 GMAC. Подходит для классификации изображений, извлечения карт признаков и эмбеддингов, а также для использования в качестве визуального бэкбона. Лицензия — Apache-2.0. Модель предназначена для задач компьютерного зрения общего назначения; качество может зависеть от предметной области и отличаться от результатов на ImageNet.

ChrisColeTech/TRELLIS.2-4B-FP16 — это сборка модели Microsoft TRELLIS.2 4B для создания 3D-объектов по изображению. Репозиторий содержит веса в формате FP16 и не является новым дообучением; модель основана на microsoft/TRELLIS. На вход подаётся одно RGB(A)-изображение, а результатом служит текстурированная 3D-сетка в формате GLB с материалами PBR, созданными вместе с геометрией. Модель предназначена для преобразования изображения объекта в готовый 3D-ассет, например для сцен Blender и пакетной генерации объектов с согласованным направлением фронтальной стороны. Поддерживаются режимы img2mesh и txt2mesh, включая варианты с текстурированием, однако основная задача карточки — image-to-3d. По данным README, генерация занимает около 100 секунд на RTX 5090; детализация и материалы могут избавить от отдельного этапа текстурирования. Для работы требуется GPU с достаточным объёмом памяти: модель около 4B параметров использует разреженные свёртки и может конфликтовать за память с другими процессами на GPU. Первый запуск на новой машине требует сетевого доступа для загрузки оценщика NAF и может быть медленнее. Лицензия — MIT.