IV.1Ритейл, электронная коммерция и fashion-tech

LibreOVDEIMs — модель обнаружения объектов с открытым словарём из проекта LibreYOLO. В репозитории объединены детектор OV-DEIM-S и текстовый энкодер MobileCLIP-B(LT), который кодирует пользовательские текстовые запросы во время работы. Детектор использует backbone ViT-tiny, дистиллированный из DEIMv2, и содержит 11 млн параметров; веса детектора преобразованы из wleilei/OV-DEIM, а текстовый энкодер взят из apple/MobileCLIP-B-LT-OpenCLIP. Модель предназначена для обнаружения объектов на изображениях по заданным пользователем названиям классов или текстовым описаниям, в том числе для zero-shot сценариев. В README приведены примеры поиска людей, красного рюкзака и погрузчика, а также сообщается о воспроизведении результата 45,9 AP на COCO val2017 для варианта L из исходной работы. Заявленная авторами скорость 161 FPS относится к upstream-модели на T4 с TensorRT при размере входа 640. Для использования нужны библиотека LibreYOLO и изображения; интерфейс позволяет задавать текстовые классы и получать результаты детекции. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Показатели скорости и качества в README относятся к исходной работе или указанной конфигурации и не гарантируют те же результаты для других устройств и условий.

LibreSAM2small — распространённая LibreYOLO копия SAM 2.1 Hiera Small, исходно разработанной FAIR и опубликованной в репозитории facebook. Модель предназначена для сегментации изображений по подсказкам: например, пользователь может задать точку и получить маску соответствующего объекта. Она также относится к семейству SAM2 для видео, однако README описывает пример только для изображения. Веса не изменены: репозиторий зеркалирует совместимые с Transformers файлы базовой модели и добавляет упаковку для LibreYOLO. Доступны файлы Safetensors; лицензия — Apache-2.0. Размер модели и длина контекста не указаны в предоставленных данных.

LibreSAMbase — точная копия весов и конфигурации Segment Anything Model 1 (SAM-1) ViT-Base от Meta Platforms, размещённая организацией LibreYOLO. Репозиторий зеркалирует facebook/sam-vit-base без изменений и содержит веса в формате safetensors; для загрузки предлагается библиотека libreyolo. Модель предназначена для сегментации объектов на изображениях и генерации масок. Лицензия Apache 2.0. Размер модели и поддерживаемые языки в предоставленных источниках не описаны; текстовый интерфейс не заявлен.

Это 8-битная версия модели Llama 3.2 11B Vision Instruct, преобразованная сообществом mlx-community в формат MLX из huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated с помощью mlx-vlm 0.1.4. Модель принимает текст и изображения и предназначена для диалога и ответов на вопросы по изображениям. Модель основана на архитектуре mllama и содержит 11 млрд параметров. В метаданных указана поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Репозиторий содержит веса в формате safetensors; лицензия — llama3.2. Метаданные отмечают возможности чата, работы с изображениями и интерфейс вызова инструментов. Подробности о качестве и ограничениях автор отсылает к карточке исходной модели.

LLaVA-OneVision Qwen2 7B OV Chat — мультимодальная чат-модель, разработанная командой LLaVA-OneVision в LMMS-Lab. Она построена на архитектуре SO400M + Qwen2 и основана на LLaVA-OneVision 7B OV; для улучшения диалоговых ответов и сохранения следования инструкциям модель прошла три раунда итеративного обучения DPO на предпочтениях людей. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для общения по изображениям, нескольким изображениям и видео, а также для обычных чат-сценариев. В обучении использовались наборы данных для одиночных и множественных изображений и видео; карточка указывает английский и китайский языки. Модель может применяться для вопросов и ответов по визуальному содержимому, описания изображений и обсуждения видео. Модель распространяется в формате safetensors для Transformers под лицензией Apache 2.0. В README результаты бенчмарков не приведены; качество на конкретных задачах может различаться, поэтому ответы следует проверять.

Lob RealVisXL v2.0 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi.com и доступная через API ModelsLab. Карточка демонстрирует создание фотореалистичного портрета и указывает на поддержку параметров запроса, включая негативный промпт, число шагов генерации, guidance scale и размеры изображения. Модель предназначена для генерации реалистичных изображений по промптам. Пример в карточке использует описания внешности, освещения, окружения и параметров камеры; также показаны настройки для улучшения промпта, панорам и подключения LoRA или эмбеддингов. В метаданных указаны StableDiffusionXLPipeline и форматы Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не сообщает точное число параметров, длину контекста или список поддерживаемых языков. Качество и безопасность результата зависят от промпта и настроек; документация API предлагает параметр отключения safety checker.

LongCat-Image — двуязычная открытая модель генерации изображений по текстовому описанию, разработанная Meituan. Она предназначена для создания изображений, в том числе фотореалистичных сцен, и уделяет особое внимание точному отображению китайских надписей и поддержке английских промптов. Модель содержит 6 млрд параметров. В карточке указаны форматы Diffusers и Safetensors; для запуска предлагается библиотека Transformers. Авторы сообщают о высокой эффективности по сравнению с рядом более крупных открытых моделей и об улучшенном покрытии китайских иероглифов. Лицензия Apache-2.0.

Mistral-7B-Customer-Support — разработанная Bitext модель Mistral 7.1B параметров, дообученная на диалогах клиентской поддержки на базе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для ответов на вопросы и помощи с типовыми операциями поддержки, например управлением заказами, счетами, платежами, возвратами и учетными записями. Модель можно использовать как основу для чат-ботов, виртуальных помощников и copilots, а затем адаптировать под данные конкретной организации. Модель использует архитектуру MistralForCausalLM и принимает текстовые запросы, выдавая текстовые ответы в диалоговом формате. Контекст составляет до 32 768 токенов. Обучение проводилось на 26 872 парах вопросов и ответов с примерами по 27 намерениям; карточка описывает задачи клиентской поддержки, но не заявляет конкретные поддерживаемые естественные языки. Лицензия — Apache-2.0. Модель специализирована на клиентской поддержке и может работать хуже за пределами этой области. Карточка не рекомендует использовать её для общих диалогов, медицинских, юридических или критически важных советов; возможны смещения, присущие обучающим данным.

mixer_b16_224.goog_in21k — модель классификации изображений семейства MLP-Mixer, опубликованная авторами статьи и обученная на ImageNet-21k. Она использует архитектуру на основе многослойных перцептронов для обработки изображений и может служить классификатором или визуальным экстрактором признаков. Модель рассчитана на изображения размером 224 × 224 пикселя; в ней около 75,9 млн параметров. Её можно применять для классификации изображений и получения эмбеддингов изображений. Репозиторий использует библиотеку timm и содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

MobileViT-v2 — модель классификации изображений, обученная авторами статьи на ImageNet-1k. Репозиторий timm/mobilevitv2_175.cvnets_in1k содержит вариант с 14,3 млн параметров и вычислительной сложностью 5,5 GMACs; для классификации указана входная сторона изображения 256 × 256. Модель также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель предназначена для отнесения изображений к классам ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Архитектура MobileViT-v2 сочетает подходы мобильных свёрточных сетей и Vision Transformer; веса доступны в форматах PyTorch и Safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией авторов.

MOMENT-1-small — компактная модель семейства MOMENT для анализа временных рядов, разработанная Auton Lab при Университете Карнеги — Меллона. Это предобученная модель общего назначения: её можно применять к прогнозированию, классификации, обнаружению аномалий, заполнению пропусков и получению представлений временных рядов, а также дообучать на специализированных данных. Модель рассчитана на работу «из коробки» и может использоваться для прогнозирования без примеров для конкретной задачи или для классификации с небольшим числом примеров. В README приведены руководства и эксперименты для нескольких задач, включая классификацию ЭКГ. Модель распространяется по лицензии MIT. В предоставленных материалах не приведены численный размер модели, длина входного ряда или конкретные ограничения качества.

mt5-small-finetuned-amazon-en-es — дообученная модель на базе google/mt5-small, опубликованная пользователем yueyue1987. Это компактная модель семейства mT5 с архитектурой MT5ForConditionalGeneration и 157,4 млн параметров, предназначенная для суммаризации текста. Карточка сообщает метрики оценки: Loss 3,2159, ROUGE-1 6,8206, ROUGE-2 2,5316, ROUGE-L 6,5558 и ROUGE-Lsum 6,661. По названию репозитория модель связана с Amazon и английским и испанским языками, однако README не описывает набор данных и не уточняет ожидаемый формат входа или качество по отдельным сценариям. Базовая модель mT5 многоязычная и преобразует текст в текст; доступные сведения указывают на задачу суммаризации. Весы опубликованы в формате safetensors. Лицензия — Apache-2.0.

Это визуальный энкодер семейства Qwen3-VL, представленный в формате timm. Модель содержит около 415 млн параметров и извлечена из Qwen/Qwen3-VL-30B-A3B-Instruct; README уточняет, что веса изображения перенесены в timm без дополнительного обучения. Языковые веса и обученная голова классификации в репозитории отсутствуют. Энкодер преобразует RGB-изображения в пространственные признаки и эмбеддинги. В архитектуре используются MLP с GELU-tanh, обучаемые абсолютные позиционные представления и осевой 2D RoPE; доступны промежуточные карты признаков. Указан размер изображения 768 × 768, поддерживаются прямоугольные изображения, размеры сторон должны делиться на 16, а для вариантов с объединением 2 × 2 — на 32. Для классификации нужно добавить и обучить линейную голову на целевом наборе данных. Модель подходит для извлечения визуальных признаков и подготовки энкодера к последующей классификации изображений. Она не включает языковую модель и проекторы DeepStack Qwen3-VL. Лицензия — Apache 2.0.

Qwen3-VL-8B-VQA-SFT-RL-v3 — дообученная модель QiLong26 на базе QiLong26/Qwen3-VL-8B-VQA-SFT, обученная с использованием TRL. Это плотная мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; она предназначена для визуального диалога и ответов на вопросы по изображениям. Метаданные указывают задачу image-text-to-text и поддержку чата и зрения. В README приведён пример текстовой генерации в формате диалога, но он не раскрывает дополнительных характеристик модели. Лицензия и размер параметров в предоставленных данных не указаны.

Qwen-Image-2.1-viggle-turbo — экспериментальный LoRA-адаптер, созданный Viggle на базе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по текстовым запросам и редактирования изображений по инструкциям с использованием от одного до трёх референсов. Версия v0.2 использует адаптер ранга 256 в формате bf16 и рассчитана на генерацию за пять шагов трансформера без classifier-free guidance; адаптер подключается к базовой модели во время работы через Diffusers. По данным авторов, на тестовом наборе из 96 запросов версия v0.2 лучше сохраняет разнообразие и композицию базовой модели, чем ранняя версия адаптера. Она ускоряет генерацию по сравнению с 40-шаговой базовой моделью, но на сложном редактировании с несколькими референсами, заменой лиц, сохранением личности и множеством ограничений может уступать базовой модели. Репозиторий имеет статус preview и продолжает обновляться. Лицензия указана как other; конкретные условия в предоставленных материалах не описаны.

Qwen-Image-2.1-viggle-turbo — разработанный Viggle шестишаговый дистиллированный вариант модели Qwen/Qwen-Image-2.1, распространяемый как LoRA-адаптер. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсов. В обычном режиме требуется 6 шагов вместо 40 у базовой модели; также доступен девятишаговый режим с более тонкими деталями и лучшей передачей мелкого текста. Автор сообщает, что шестишаговая версия примерно в пять раз быстрее базовой при сопоставимом качестве на большинстве примеров. Адаптер загружается в трансформер базовой модели; доступны веса safetensors, а в метаданных также перечислены варианты GGUF с разной разрядностью. Модель работает с текстовыми запросами и изображениями-референсами и выдаёт изображения. README описывает применение через diffusers и ComfyUI; для ComfyUI указаны возможные шероховатости интеграции. Качество уступает базовой модели при сложном редактировании, сохранении личности и композиции по нескольким референсам; мелкий и длинный текст чаще искажается. В шестишаговом режиме мелкие текстуры могут быть мягче, а цвета — немного менее насыщенными. Лицензия в метаданных указана как other, конкретные условия использования в доступных данных не раскрыты.

Qwen-Image-2512 — модель генерации изображений по текстовому описанию, выпущенная командой Qwen и переизданная Unsloth как зеркало с неизменёнными весами. Это обновлённая версия базовой модели Qwen-Image, ориентированная на фотореалистичное изображение людей, детальную передачу природных сцен и более точное размещение текста в изображениях. Модель принимает текстовые запросы на английском и китайском языках и создаёт изображения, лучше соблюдая описанные детали сцены, позы и композиции. В карточке она предназначена для генерации изображений общего назначения; для работы используется библиотека Diffusers и формат Safetensors. Лицензия — Apache 2.0. В README заявлено улучшение реалистичности людей, детализации природных элементов и рендеринга текста по сравнению с исходной Qwen-Image; эти заявления основаны на оценках разработчиков и не гарантируют одинаковое качество для всех запросов.

Qwen-Image-2512-Turbo-LoRA — это ускоряющая LoRA-адаптация базовой модели Qwen/Qwen-Image-2512, разработанная командой Wuli Team. Она предназначена для генерации изображений по текстовому описанию и распространяется для использования с библиотекой Diffusers; заявлена поддержка английского и китайского языков. Модель ориентирована на быстрый инференс в сценариях text-to-image и способна работать за 4 или 8 шагов генерации. По данным разработчиков, благодаря CFG-дистилляции и сокращению числа шагов она обеспечивает сопоставимое с исходной моделью качество при ускорении более чем в 20 раз. В README также указано, что в веб-сервисе Wuli можно генерировать четыре изображения в разрешении 2K примерно за 5 секунд. Выпуск V3.0 дополнительно улучшает цветопередачу и детализацию и совместим с ComfyUI. Сильная сторона модели — высокая скорость при сохранении качества базовой Qwen-Image-2512, что делает её подходящей для интерактивных генераторов, прототипирования и массового создания изображений. При этом это именно LoRA-адаптер, поэтому для работы требуется базовая модель Qwen/Qwen-Image-2512 и совместимый inference-процесс. README не содержит подробных сведений о размере адаптера, точных требованиях к оборудованию, допустимых разрешениях и ограничениях по содержанию, поэтому эти характеристики нельзя определить по представленным данным. Лицензия — Apache-2.0.

Qwen-Image-Edit-2509-Relight — это адаптер LoRA для модели Qwen/Qwen-Image-Edit-2509, опубликованный пользователем dx8152. Адаптер предназначен для редактирования изображений и прежде всего для реалистичного изменения освещения: добавления мягкого рассеянного света, света через занавески и других вариантов перерисовки световой сцены. Обучение выполнялось с использованием инфраструктуры ModelScope. Модель работает в сценариях image-to-image и интегрируется с экосистемой Diffusers; также заявлена совместимость с рабочими процессами ComfyUI и Kontext. Для активации можно использовать триггерное слово «重新照明» либо промпты из обучающего набора. Автор рекомендует применять адаптер совместно с LoRA Qwen-Image-Lightning. Сильная сторона модели — специализация на рела́йтинге изображений при сохранении исходного содержания, однако README не содержит количественных оценок качества, сведений об архитектуре, размере, поддерживаемых языках и контекстном окне. Для работы требуется базовая модель Qwen/Qwen-Image-Edit-2509 и отдельные файлы LoRA. Лицензия указана как Apache-2.0. README не уточняет дополнительные ограничения на коммерческое использование адаптера или условия лицензирования связанных моделей и рекомендуемых компонентов, поэтому их необходимо проверять отдельно.

Qwen-Image-Edit-2511-Lightning — набор оптимизированных моделей для редактирования изображений на базе Qwen/Qwen-Image-Edit-2511. Разработка связана с экосистемами Qwen-Image-Lightning и LightX2V от ModelTC. Набор предназначен для image-to-image и text-to-image сценариев, включая эффективное редактирование изображений с использованием Diffusers и ComfyUI. В состав входят две версии дистиллированной LoRA-модели с инференсом за 4 шага: в формате BF16, ориентированная на компактность, и в формате FP32, ориентированная на точность. Также доступна FP8-квантованная версия с форматом e4m3fn scaled, объединённая с 4-шаговой дистиллированной LoRA. Дистилляция сокращает число шагов примерно с 40 до 4 и, по данным README, обеспечивает ускорение примерно в 10 раз. FP8-вариант снижает потребление GPU-памяти примерно на 50% по сравнению с FP32 при сохранении качества редактирования. Сильные стороны модели — высокая скорость генерации и возможность развёртывания в условиях ограниченной видеопамяти. Ограничения включают зависимость качества и совместимости от выбранной точности, базовой модели и поддерживаемого inference-фреймворка. Сведения о размере модели, архитектуре базовой сети, поддерживаемых языках и максимальном контексте в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Edit-2511-Multiple-Angles-LoRA — адаптер LoRA для модели Qwen/Qwen-Image-Edit-2511, разработанный wan-world при участии fal.ai. Модель предназначена для редактирования изображений и управления ракурсом камеры в сценариях image-to-image с использованием библиотеки Diffusers. Адаптер поддерживает 96 вариантов положения камеры: 8 азимутов, 4 угла возвышения и 3 дистанции съёмки. Он обучен более чем на 3000 парах данных, созданных с использованием Gaussian Splatting, что ориентировано на согласованное пространственное представление объектов. Поддерживаются фронтальные, боковые и задние ракурсы, низкая съёмка с углом −30°, съёмка на уровне глаз, повышенный и высокий ракурсы, а также планы от крупного до общего. Для управления используется специальный формат промпта с токеном <sks> и англоязычными описаниями направления, высоты и дистанции. Сильная сторона модели — специализированный контроль точного ракурса, включая низкие углы и различные дистанции. Ограничения явно не описаны; для работы требуется базовая модель Qwen-Image-Edit-2511 и корректное использование рекомендованного формата промптов. Модель распространяется по лицензии Apache-2.0.

NVIDIA Qwen-Image-Flash — модель генерации изображений по текстовому описанию, созданная на основе Qwen/Qwen-Image. Это дистиллированная методом DMD2 версия для генерации за четыре шага; архитектура диффузионного трансформера MMDiT сохранена. Трансформер денойзинга содержит 20,43 млрд параметров, а полный конвейер с текстовым энкодером и VAE — 28,85 млрд обучаемых параметров. Модель предназначена для прототипирования творческого контента и сценариев, где важна низкая задержка генерации. Она принимает текстовые запросы длиной до 1024 токенов и обычно создаёт RGB-изображения размером 1024 × 1024. Дистилляция проводилась на английских описаниях; унаследованные способности к китайскому языку не оценивались. Для работы предусмотрены Diffusers и другие движки инференса; модель оптимизирована для GPU NVIDIA. Модель рассчитана на исследовательское применение и коммерческое или некоммерческое использование. В README указаны NVIDIA Open Model Agreement и Apache License 2.0. Она не предназначена для редактирования и понимания изображений, критически важных решений, а также генерации незаконного или оскорбительного контента.

regnetx_016.tv2_in1k — модель классификации изображений на архитектуре RegNetX, распространяемая авторами timm. Она предварительно обучена на ImageNet-1k с весами torchvision ImageNet-1K V2 и может использоваться как классификатор или как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Вариант содержит около 9,2 млн параметров, требует 1,6 GMACs и рассчитан на изображения размером 224 × 224 пикселя. Реализация timm поддерживает stochastic depth, gradient checkpointing, настройку выходного шага и выбор слоёв активации и нормализации. Модель подходит для классификации объектов на изображениях и получения признаковых представлений в компьютерном зрении. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — BSD-3-Clause.

RegNetY-4GF — свёрточная модель классификации изображений с 20,6 млн параметров, представленная авторами статьи Designing Network Design Spaces и доступная в реализации timm. Веса предварительно обучены на ImageNet-1k; модель также подходит как основа для извлечения признаковых карт и эмбеддингов изображений. Для классификации указано разрешение изображения 224 × 224, вычислительная сложность — 4,0 GMACs. Модель предназначена для присвоения изображению метки класса из набора ImageNet-1k и для получения визуальных признаков в компьютерном зрении. Реализация timm поддерживает стохастическую глубину, градиентное чекпойнтирование, послойное уменьшение скорости обучения и настройку выходного шага. Лицензия репозитория — MIT.

RegNetZ C16 EvoS — модель классификации изображений, обученная Ross Wightman в библиотеке timm на ImageNet-1k. Её также можно использовать как визуальный бэкбон для извлечения карт признаков и эмбеддингов. Архитектура построена на BYOBNet и использует блоки с инвертированным узким местом и слои нормализации-активации EvoNorm-S0. Модель содержит около 13,5 млн параметров и требует примерно 2,5 GMACs для изображения. Размер обучения составляет 256 × 256 пикселей, тестирования — 320 × 320. Она подходит для классификации изображений по категориям ImageNet и получения признаков для последующей обработки. Модель распространяется по лицензии Apache-2.0. Её назначение — классификация изображений общего назначения; качество на задачах и изображениях, отличающихся от ImageNet-1k, может быть ниже.

repvgg_b1g4.rvgg_in1k — сверточная модель семейства RepVGG для классификации изображений и извлечения визуальных признаков. Вариант обучен авторами статьи на ImageNet-1k; реализация использует гибкую архитектуру BYOBNet из библиотеки timm. Модель содержит около 40 млн параметров, имеет вычислительную сложность 8,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях из набора классов ImageNet-1k, а также для извлечения карт признаков и визуальных эмбеддингов в качестве основы компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

Res2Net-50 26w 8s — модель классификации изображений и извлечения признаков на основе многомасштабной архитектуры Res2Net, опубликованная авторами статьи и представленная в библиотеке timm. Она обучена на ImageNet-1k и рассчитана на обработку изображений размером 224 × 224 пикселя. В модели около 48,4 млн параметров; вычислительная сложность составляет 8,4 GMACs. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Многомасштабная структура Res2Net позволяет строить признаки на нескольких масштабах внутри блока сети. В карточке указаны веса PyTorch и safetensors. Лицензия в предоставленных данных не определена.

res2net50d.in1k — модель классификации изображений и извлечения признаков на архитектуре Res2Net, созданная авторами работы Res2Net и обученная на ImageNet-1k. Она использует многоуровневое представление признаков в стиле ResNet и содержит около 25,7 млн параметров; для классификации рассчитана на изображения размером 224 × 224. Модель можно применять для распознавания объектов из классов ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Модель распространяется в форматах PyTorch и safetensors и предназначена для использования через библиотеку timm. Карточка не указывает лицензию, поэтому условия распространения и коммерческого использования следует уточнять у владельца репозитория.

ResNet101.a3_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A3. Архитектура ResNet-B использует активации ReLU, свёртку 7×7 с пулингом и свёрточные проекции 1×1 в обходных соединениях; модель содержит около 44,5 млн параметров и требует изображения размером 224×224 на этапе тестирования. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как готовую модель компьютерного зрения или как основу для собственного конвейера обработки изображений. Обучение проводилось с оптимизатором LAMB, функцией потерь BCE и косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0.

ResNet-18 от разработчиков timm — модель компьютерного зрения для классификации изображений и извлечения признаков. Она реализована на PyTorch и доступна в форматах PyTorch и Safetensors. Модель содержит 11,7 млн параметров и использует ReLU, начальную свёртку 7×7 с pooling и свёрточные shortcut-соединения 1×1. Её предварительно обучили на подмножестве YFCC100M методом полунадзорного обучения, затем авторы статьи дообучили её на ImageNet-1k. Рекомендуемый размер изображения — 224×224; также модель можно использовать для получения карт признаков и эмбеддингов изображений. Модель предназначена для классификации изображений общего назначения и может служить базовой сетью в компьютерном зрении. README не приводит отдельные оценки качества именно этой модели. Лицензия CC BY-NC 4.0 допускает использование с соблюдением её условий, включая ограничения на коммерческое применение.