IV.1Ритейл, электронная коммерция и fashion-tech

Это модель-энкодер изображений Qwen ViT, преобразованная из vision-компонента Qwen3.8-27B в формат timm. Она предназначена для извлечения признаков и получения векторных представлений изображений, которые можно использовать в последующих задачах классификации или других компьютерно-зрительных пайплайнах. Весов языковой модели и обученной классификационной головы в репозитории нет. Модель содержит около 459,8 млн параметров: ширина backbone — 1152, проекция признаков — 5120. Она использует GELU-tanh MLP, обучаемые абсолютные позиционные эмбеддинги, осевое 2D RoPE и пространственный merger; выходные признаки усредняются и нормализуются без аффинных параметров. Указанный размер изображения — 768 × 768; поддерживаются прямоугольные изображения, размеры сторон должны делиться на 16, а для вариантов с merger 2×2 — на 32. Модель принимает RGB-изображения с нормализацией mean и std 0,5. Лицензия — Apache 2.0. README указывает, что это перенос весов в timm без дополнительного обучения. Поэтому новая классификационная голова инициализируется случайно и требует обучения на целевом наборе данных; извлечённые признаки сами по себе не являются готовыми метками классов.

ovedrive/Qwen-Image-Edit-2511-4bit — квантизированная версия модели Qwen-Image-Edit-2511 от Alibaba/Qwen, подготовленная пользователем Abhishek Dujari. Модель предназначена для редактирования изображений по текстовым инструкциям в pipeline image-to-image и работает через библиотеку Diffusers. Она принимает изображение и промпт, описывающий требуемое изменение, например удаление объекта. Модель использует 4-битную NF4-квантизацию с BNB в смешанной точности: часть слоёв сохранена в полной точности для поддержания качества. По данным README, она рассчитана на запуск менее чем с 20 ГБ видеопамяти и может работать примерно на 16 ГБ; также заявлена работоспособность за 10 шагов инференса, хотя оптимальное число шагов зависит от сценария. В метаданных указаны английский и китайский языки. Сведения о точной архитектуре, размере модели и максимальной длине контекста не приведены. К сильным сторонам относятся снижение требований к VRAM, совместимость с оригинальными параметрами Qwen-Image-Edit и сохранение качества за счёт выборочной, а не полностью слепой квантизации. Ограничения включают зависимость от NVIDIA GPU, возможные проблемы с дообучением и отсутствие гарантии одинакового качества при малом числе шагов. Модель не является merge или LoRA-модификацией, а представляет собой квантизированную версию базовой модели. Для репозитория указана лицензия CC BY-NC-SA 4.0; в README также отмечено, что оригинальная Qwen-Image имеет лицензию Apache 2.0. Условия коммерческого использования и поддержки квантизированной версии следует уточнять отдельно у владельцев репозитория.

Qwen-Image-Edit-2511-FP8 — это FP8-квантизированная версия модели Qwen-Image-Edit-2511, разработанная командой Qwen. Модель предназначена для редактирования изображений по исходному изображению и текстовым инструкциям, поддерживает интеграцию с Diffusers и совместима с ComfyUI. В метаданных указаны английский и китайский языки. Ключевые улучшения исходной модели включают уменьшение дрейфа изображения, повышение согласованности персонажей, поддержку LoRA, улучшение генерации объектов промышленного дизайна и усиление геометрического рассуждения. Квантизация в формате fp8_e4m3fn снижает требования к памяти и может ускорять инференс; заявленный ориентир составляет около 20 ГБ видеопамяти. Архитектура, число параметров и размер контекста в README не указаны. Модель распространяется по лицензии Apache 2.0. Ограничения связаны с тем, что это квантизированный вариант, поэтому фактические требования к оборудованию и качество могут зависеть от используемого окружения; подробные сведения о поддерживаемых разрешениях, производительности и сценариях отказа не приведены.

prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19 — преобразованные для Diffusers веса модели редактирования изображений на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера, извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V19 и предназначенные для ускоренного инференса Qwen Image Edit за четыре шага.

Realistic Vision V1.3 — модель генерации изображений по текстовому описанию от SG161222, предназначенная для создания фотореалистичных изображений, особенно портретов и сцен с людьми. В карточке приведены примеры промптов для фотографического стиля и рекомендации по настройкам генерации: сэмплеры Euler A или DPM++ 2M Karras, 25 шагов и CFG от 3,5 до 7. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML OpenRAIL-M. Автор заявляет, что модель бесплатна и не ограничивает её использование; при этом лицензия задаёт собственные условия использования. В карточке нет сведений о размере модели, поддерживаемых языках или длине контекста.

RealVisXL V5.0 Lightning — модель генерации изображений от SG161222, ориентированная на фотореализм. Она принимает текстовые запросы и создаёт изображения; в карточке указана поддержка генерации как SFW-, так и NSFW-контента. Модель использует конвейер StableDiffusionXLPipeline и распространяется в форматах Diffusers и safetensors. В README рекомендованы быстрые настройки генерации: 5 шагов сэмплирования, DPM++ SDE Karras или DPM++ SDE и CFG 1,0–2,0. Для увеличения разрешения предложены отдельные параметры Hires Fix и апскейлеры. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.

ReLU-CLIP — компактная модель классификации изображений без дополнительного обучения, созданная командой, представившей исследование ReLU-CLIP. В ней замороженный визуальный энкодер CLIP ViT-L/14 дистиллирован в небольшую сверточную сеть efflite4 с ReLU/ReLU6 и BatchNorm; модель объединяет визуальные представления изображений с заранее подготовленными текстовыми представлениями категорий. Основной сценарий — классификация по пользовательским текстовым описаниям, включая ImageNet-1k и собственные наборы классов. Вариант efflite4 содержит 12,71 млн параметров. Для него заявлены точность top-1 68,25% на ImageNet-1k в int8, размер графа 13,6 МиБ и скорость 37,8 кадра/с на Coral USB Edge TPU; полный граф выполняется на ускорителе. Репозиторий включает веса PyTorch и графы TFLite, в том числе int8 для Edge TPU. Модель принимает изображение, а классификационные оценки получают сравнением его эмбеддинга с текстовыми эмбеддингами классов; текстовые представления можно подготовить заранее. Результат зависит от точного предобработчика изображения и L2-нормализации как текстовых представлений, так и выходного эмбеддинга модели. Указанные показатели точности измерены интерпретатором TFLite на CPU, а задержка — на Edge TPU; результаты на устройстве не полностью совпадают с CPU. Исследование использовало один seed, поэтому разброс между запусками не оценён. Лицензия — MIT.

RepViT M1.0 distill 300e — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она разработана авторами статьи RepViT и обучена на ImageNet-1k с дистилляцией. Модель содержит 7,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 1,1 GMAC. Модель предназначена для определения класса объекта на изображении, извлечения карт признаков и получения визуальных эмбеддингов. Компактный размер делает её подходящей в качестве мобильного бэкбона в системах компьютерного зрения. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0.

Res2Net-50 48w 2s — модель классификации изображений и извлечения визуальных признаков, разработанная авторами статьи Res2Net. Она обучена на ImageNet-1k и предназначена для классификации изображений, получения карт признаков и визуальных эмбеддингов. Модель реализована на PyTorch и доступна через timm; содержит 25,3 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 4,2 GMAC на изображение. Многомасштабная архитектура Res2Net расширяет подход ResNet для извлечения признаков на нескольких масштабах. Модель подходит как готовый классификатор ImageNet-1k и как визуальная основа для последующих компьютерно-зрительных задач. Карточка не сообщает отдельную лицензию, поэтому условия использования следует уточнить у автора или в репозитории.

ResNet101.a1h_in1k — модель классификации изображений и извлечения визуальных признаков из семейства ResNet-B, опубликованная авторами timm. Она содержит 44,5 млн параметров, использует активации ReLU, свёртку 7×7 с пулингом и свёрточные обходные соединения 1×1. Модель обучена на ImageNet-1k с рецептом A1 из ResNet Strikes Back и улучшениями аугментации и регуляризации; размер изображения при обучении — 224×224, при оценке — 288×288. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В качестве визуального бэкбона её можно применять в компьютерном зрении, если задача соответствует обучению на ImageNet-1k. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Карточка модели CollectionStudio/resnet-50 на Hugging Face совпадает с карточкой microsoft/resnet-50, поэтому описание составлено по ней. 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.

Карточка модели DollasAndSpence/resnet-50 на Hugging Face совпадает с карточкой microsoft/resnet-50, поэтому описание составлено по ней. 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.

ResNet-50 — сверточная модель классификации изображений из библиотеки timm. Она предварительно обучена авторами статьи на подмножестве YFCC100M с использованием полу-контролируемого обучения, а затем дообучена на ImageNet-1k. Архитектура использует ReLU, свертку 7×7 с пулингом и остаточные связи с проекцией через свертки 1×1. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Она рассчитана на вход размером 224×224 и содержит 25,6 млн параметров. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm. Авторы статьи предварительно обучили её на ImageNet-21k, а затем дообучили на ImageNet-1k. Модель содержит около 236,3 млн параметров; стандартный размер входного изображения — 224 × 224 пикселя. В архитектуре используются Group Normalization и Weight Standardization вместо Batch Normalization. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она обучена на наборах ImageNet-21k и ImageNet-1k и выдаёт классы объектов ImageNet. Репозиторий содержит веса PyTorch и SafeTensors; для применения доступна через timm. Лицензия — Apache-2.0.

RobustSAM ViT-Huge — вариант Segment Anything Model, разработанный авторами проекта RobustSAM для сегментации изображений с ухудшенным качеством. Модель сохраняет поддержку запросов и сегментацию без специального обучения на каждом изображении, повышая устойчивость SAM к деградациям изображения. Карточка описывает архитектуру ViT-Huge с кодировщиком изображения, кодировщиком подсказок и декодером масок; веса опубликованы в формате safetensors и доступны по лицензии MIT. Модель принимает изображение и может строить маски по точкам, ограничивающим рамкам или маске-подсказке. Также она поддерживает автоматическую генерацию масок без пользовательской подсказки, используя сетку точек. Текстовые подсказки официальной реализацией не поддерживаются. Авторы сообщают об улучшении сегментации на изображениях низкого качества и о пользе для последующих задач устранения дымки и размытия.

Lawrence-cj/Sana_1600M_1024px_BF16_diffusers_ch5632 — вариант модели Sana, опубликованный пользователем Lawrence-cj и основанный на разработке NVIDIA/NVlabs. Это модель преобразования текста в изображение, предназначенная для генерации изображений по текстовым описаниям через библиотеку Diffusers. Модель содержит около 1,6 млрд параметров, использует архитектуру SanaTransformer2DModel с текстовым энкодером Gemma2Model, токенизатором GemmaTokenizerFast, VAE AutoencoderDC и планировщиком DPMSolverMultistepScheduler. Вариант сохранён в формате BF16/Safetensors и ориентирован на генерацию изображений размером 1024×1024 пикселей. Семейство Sana заявлено как эффективное и поддерживающее многоязычную генерацию, однако конкретные языковые коды для этого репозитория не указаны. Модель подходит для создания иллюстраций, концепт-артов, рекламных изображений и других визуальных материалов по промптам. Ограничения включают зависимость результата от качества текстового запроса и параметров инференса, а также повышенные требования к памяти при локальном запуске; сведения о лицензии именно этого репозитория в доступных источниках не установлены.

Stable Fast 3D (SF3D) — модель Stability AI на основе TripoSR, которая восстанавливает трёхмерный объект по одному изображению. Она использует архитектуру Transformer и формирует текстурированную UV-развёрнутую сетку с относительно небольшим числом полигонов. Также модель выполняет удаление освещения и предсказывает параметры материала объекта, включая шероховатость и металличность. SF3D предназначена для создания и подготовки 3D-ассетов для дизайна, творческих и образовательных инструментов, игровых движков и рендеринга. В README заявлена генерация менее чем за секунду; ожидаемый размер входного изображения — 512 × 512 пикселей. Модель обучалась на рендерах из набора Objaverse. Модель не предназначена для получения достоверных изображений людей или событий. Использование должно соответствовать Acceptable Use Policy. Лицензия обозначена как other; согласно README, организациям и частным лицам с годовой выручкой от 1 млн долларов США требуется отдельная коммерческая лицензия Stability AI для коммерческого использования SF3D, производных моделей и результатов.

StarNet S4 — модель компьютерного зрения для классификации изображений и извлечения признаковых представлений. Она распространяется в библиотеке timm и обучена авторами статьи на ImageNet-1k. Модель содержит около 7,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. StarNet S4 можно использовать для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Это компактная модель с вычислительной сложностью около 1,1 GMAC. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Swin Transformer — модель компьютерного зрения семейства Swin, разработанная авторами статьи Swin Transformer: Hierarchical Vision Transformer using Shifted Windows и опубликованная Microsoft. Это базовая модель классификации изображений, предварительно обученная на ImageNet-21k: 14 млн изображений, 21 841 класс, разрешение 224×224. Архитектура Vision Transformer строит иерархические признаки, объединяя фрагменты изображения на более глубоких слоях; локальное внимание в сдвигаемых окнах обеспечивает линейную сложность вычислений относительно размера входного изображения. Модель подходит для классификации изображений и как визуальный backbone для задач плотного распознавания. В указанном репозитории представлены веса PyTorch, Safetensors и TensorFlow. Она принимает изображения и выдаёт оценки классов; для прикладных задач, отличных от исходной классификации, может потребоваться дообученная версия. Лицензия — Apache-2.0.

Модель droplychee/test-model разработана droplychee и дообучена на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Это плотная модель семейства Gemma 4 для диалоговых задач с изображениями: она принимает текст и изображения и формирует текстовые ответы. В метаданных также отмечен интерфейс для вызова инструментов. Модель подходит для вопросов по изображениям и диалоговых сценариев, где нужно совместно использовать текст и визуальные данные. Она опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README сообщает, что обучение проводилось с Unsloth и библиотекой TRL; сведения о размере модели и длине контекста не приведены в доступных данных.

timm/tf_efficientnet_b8.ra_in1k — свёрточная модель семейства EfficientNet-B8 для классификации изображений и извлечения визуальных признаков. Она обучена авторами EfficientNet на ImageNet-1k с аугментацией RandAugment, а затем перенесена из TensorFlow в PyTorch Россом Уайтменом. В модели 87,4 млн параметров; рекомендуемый размер входного изображения — 672 × 672 пикселя. Модель подходит для определения объектов и сцен на изображениях по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Она предназначена для компьютерного зрения общего назначения и может служить визуальной основой для прикладных систем. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

tf_efficientnetv2_b0.in1k — модель классификации изображений семейства EfficientNetV2. Исходную версию обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс её в PyTorch; на Hugging Face модель доступна через библиотеку timm в форматах PyTorch и safetensors. В ней около 7,1 млн параметров, вычислительная сложность составляет около 0,5 GMACs. Размер изображения при обучении — 192×192 пикселя, при проверке — 224×224. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Она компактна и подходит для сценариев, где важны небольшие вычислительные затраты. Обучение проводилось на ImageNet-1k, поэтому качество на других типах изображений может отличаться; README не приводит оценки точности. Лицензия репозитория — Apache-2.0.

TinyViT 11M 224.in1k — модель классификации изображений семейства TinyViT, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться как компактная визуальная основа для извлечения карт признаков и эмбеддингов. Модель содержит 11 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 1,9 GMACs вычислений. Это небольшой vision transformer для задач компьютерного зрения; веса доступны в форматах PyTorch и safetensors. Модель распространяется по лицензии Apache-2.0.

Карточка модели athena2634/TRELLIS.2-4B на Hugging Face совпадает с карточкой camenduru/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang, Xiaoxue Chen и их соавторами. Она принимает одно изображение и создаёт 3D-модель с геометрией и PBR-материалами, включая прозрачность и полупрозрачность. Модель построена на трансформере с flow matching и разреженном 3D VAE, использующем структуру O-Voxel; размер модели — 4 млрд параметров. Она поддерживает сложную топологию, в том числе открытые поверхности и неманифолдные сетки, а заявленное разрешение генерации достигает 1536³. Для запуска требуется Linux и NVIDIA GPU с как минимум 24 ГБ памяти; README подтверждает проверку на A100 и H100. Сгенерированные сетки иногда содержат небольшие отверстия и топологические разрывы, поэтому для задач вроде 3D-печати может понадобиться постобработка. Модель не дообучена для заданных эстетических предпочтений. Лицензия — MIT.

Карточка модели mrbrz/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели asper22/TripoSR на Hugging Face совпадает с карточкой stabilityai/TripoSR, поэтому описание составлено по ней. TripoSR — быстрая модель генерации и реконструкции 3D, разработанная совместно Stability AI и Tripo AI. Она по одному изображению строит трёхмерное представление объекта в прямом проходе, без итерационного процесса генерации. Архитектура следует подходу LRM и включает улучшения в подготовке данных, модели и обучении. Модель предназначена для быстрого получения 3D-объектов из изображений, например для прототипирования и создания исходных ассетов. Обучение проводилось на отобранных рендерах из Objaverse с методом рендеринга, рассчитанным на лучшее соответствие реальным изображениям. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество реконструкции зависит от входного изображения, а описание не обещает готовность результата к игровому или производственному использованию. Разработчики рекомендуют более новую модель SF3D для получения более быстрых и готовых к играм ассетов. Модель не следует использовать для создания оскорбительных или тревожащих 3D-объектов либо контента, распространяющего стереотипы.

UltraFlux-v1 — модель генерации изображений по тексту на основе диффузионного трансформера FLUX.1-dev. В карточке она описана как система для нативной генерации изображений в разрешении 4K с устойчивым качеством при разных соотношениях сторон, включая квадратные, портретные и широкоформатные изображения. В подходе сочетаются оптимизированная для 4K архитектура DiT, набор данных MultiAspect-4K-1M, дополнительное обучение VAE и функции потерь, учитывающие высокое разрешение. Модель рассчитана на создание изображений по текстовым описаниям и inference через Diffusers. В метаданных указаны формат safetensors, базовая модель black-forest-labs/FLUX.1-dev и лицензия Apache-2.0. Карточка не сообщает конкретные ограничения, поэтому практическое качество и требования к ресурсам следует оценивать в целевом окружении.

Visformer Tiny — модель классификации изображений и извлечения визуальных признаков из семейства Visformer, опубликованная в библиотеке timm. Она обучена на ImageNet-1k и рассчитана на обработку изображений размером 224 × 224 пикселя. Модель содержит около 10,3 млн параметров и требует примерно 1,3 GMAC на изображение. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных эмбеддингов как основы для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не уточняет точный список классов или качество на пользовательских данных, поэтому для иных наборов категорий может потребоваться адаптация.

google/vit-base-patch16-384 — модель Vision Transformer (ViT) базового размера для классификации изображений, основанная на архитектуре трансформерного энкодера. Веса были конвертированы из timm: исходные веса ViT перенесли из JAX в PyTorch, а Hugging Face подготовила карточку модели. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch, TensorFlow и Flax. Модель предварительно обучена на ImageNet-21k при разрешении 224×224, затем дообучена на ImageNet 2012 для распознавания 1000 классов при разрешении 384×384. Изображение разбивается на патчи 16×16, которые преобразуются в последовательность для обработки трансформером; представление токена CLS используется для классификации. Модель подходит для распознавания объектов из классов ImageNet и для извлечения признаков при разработке собственных классификаторов. Лицензия — Apache-2.0. Классификация ограничена набором из 1000 классов ImageNet: для других категорий потребуется дообучение или отдельная классификационная голова. Качество зависит от подходящей предобработки и масштаба изображения.

timm/vit_huge_patch14_224.mae — модель извлечения признаков изображений на основе Vision Transformer (ViT), представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k методом Self-Supervised Masked Autoencoder (MAE) и может использоваться как backbone для классификации изображений и получения их эмбеддингов. Модель содержит около 630,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для извлечения визуальных признаков и эмбеддингов, а также для построения систем классификации изображений. Репозиторий содержит веса в форматах PyTorch и Safetensors; лицензия CC BY-NC 4.0 разрешает использование на её условиях, включая ограничения на коммерческое применение.