IV.1Ритейл, электронная коммерция и fashion-tech

majicMIX_realistic_v6 — модель генерации изображений по текстовому описанию, опубликованная digiplay. Карточка Hugging Face связывает её со Stable Diffusion и предоставляет веса в форматах Diffusers и safetensors; в качестве основы для запуска показан DiffusionPipeline. Пример использования задаёт текстовый запрос и получает изображение. Название и пример указывают на фокус на реалистичной визуальной стилистике. Модель подходит для создания реалистичных изображений по текстовым промптам. В карточке Hugging Face указана лицензия «other», без уточнения её условий; для практического использования следует свериться с условиями на странице модели.

MaxViT-Base TF 512 — модель классификации изображений семейства MaxViT, обученная авторами оригинальной работы на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Архитектура MaxViT сочетает блоки MBConv со слоями self-attention по оконным и сеточным областям. Модель содержит около 119,9 млн параметров и рассчитана на входные изображения размером 512 × 512 пикселей. Для работы с изображениями она может служить классификатором или визуальным backbone. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; качество на иных наборах и специализированных задачах может отличаться. Лицензия репозитория — Apache-2.0.

mobilenetv3_small_100.lamb_in1k — компактная сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептом на основе оптимизатора LAMB и усреднения весов EMA. Модель содержит около 2,5 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную сложность около 0,1 GMAC. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Небольшой размер делает её подходящей для задач компьютерного зрения с ограниченными вычислительными ресурсами. Это модель семейства MobileNetV3, распространяемая в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Она обучена на ImageNet-1k, поэтому её классы и качество вне этого набора могут не соответствовать конкретной прикладной задаче; для другой предметной области может потребоваться адаптация.

MobileNetV4 Conv Large — сверточная модель классификации изображений, опубликованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-1k и предназначена для присвоения изображениям меток из набора классов ImageNet, а также может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Модель содержит около 32,6 млн параметров и требует примерно 2,9 GMACs на изображение. Размер входа при обучении составлял 256 × 256 пикселей, при тестировании — 320 × 320. Веса обучены скриптами timm с гиперпараметрами, вдохновлёнными статьёй MobileNetV4 и дополнениями timm. В карточке указано, что официальные веса TensorFlow-моделей на тот момент не были опубликованы; доступны веса этой реализации. Репозиторий содержит форматы PyTorch и safetensors. Модель подходит для классификации изображений и извлечения визуальных признаков в приложениях компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество за пределами этого набора данных могут не соответствовать конкретной предметной области без дополнительной адаптации. Лицензия — Apache-2.0.

MobileViT-v2 — модель классификации изображений и извлечения визуальных признаков, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Она предназначена для присвоения изображениям классов, извлечения карт признаков и получения векторных представлений изображений. Модель содержит около 7,5 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность 2,9 GMAC. Архитектура сочетает мобильные сверточные компоненты с механизмом separable self-attention для мобильного компьютерного зрения. Репозиторий содержит веса PyTorch и SafeTensors; лицензия указана как other, поэтому перед использованием следует проверить её условия в источнике.

Muse-Glimmer-30B-8bit — мультимодальная модель для задач «изображение–текст», преобразованная сообществом mlx-community в формат MLX из базовой модели meta-models/Muse-Glimmer-30B с использованием mlx-vlm версии 0.6.12. Модель предназначена для сценариев, в которых требуется анализировать изображения и генерировать связный текст по визуальному содержимому, например описывать изображения. Из доступных данных известно, что модель имеет размер 30B параметров, представлена в 8-битном варианте и поддерживает работу с изображениями и текстом. Архитектура, список языков, размер контекстного окна, конкретные возможности и ограничения в README не указаны. Для использования требуется библиотека mlx-vlm и среда MLX; приведённый пример запуска рассчитан на генерацию текста по изображению. Модель распространяется по лицензии Apache-2.0. Подробные характеристики, результаты оценки и дополнительные сценарии использования следует уточнять в карточке исходной модели meta-models/Muse-Glimmer-30B.

NASNet-A Large — сверточная модель классификации изображений из библиотеки timm. Её обучили авторы статьи на ImageNet-1k, а затем перенесли из TensorFlow в PyTorch через pretrained-models.pytorch от Cadene. Модель также подходит для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 88,8 млн параметров, имеет вычислительную сложность 23,9 GMAC и рассчитана на входные изображения размером 331 × 331 пиксель. Основной сценарий применения — отнесение изображения к классам ImageNet-1k; также её можно использовать как визуальный backbone в других системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

NAT-Mini — компактная модель классификации изображений, разработанная исследовательской группой SHI Labs и представленная в работе Neighborhood Attention Transformer. Это иерархический vision transformer с 14,7 млн параметров, обученный на ImageNet-1K для изображений размером 224×224 пикселя. Механизм Neighborhood Attention ограничивает область внимания каждого токена ближайшими соседними пикселями, используя скользящее окно. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её можно применять для классификации изображений, в том числе изображений из других наборов данных, если подходят классы ImageNet. Для работы в PyTorch требуется расширение NATTEN. Модель выпущена по лицензии MIT.

openlrm-small-obj-1.0 — модель проекта OpenLRM, открытой реализации статьи LRM для создания 3D-представления объекта по изображению. Она обучена на данных Objaverse и предназначена для преобразования входного изображения в 3D-объект. Модель имеет 12 слоёв, размерность признаков 768, размерность triplane-представления 32 и разрешение рендеринга 192. В реализации декодер triplane состоит из четырёх слоёв; также не используется техника deferred back-propagation из оригинальной статьи. Это не официальный релиз авторов статьи, поэтому результаты могут отличаться от оригинала. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

thisisiron/Ovis2-1B-hf — это мультимодальная модель семейства Ovis2 с плотной архитектурой Ovis2ForConditionalGeneration и примерно 1 млрд параметров. Репозиторий содержит версию в формате Safetensors для библиотеки Transformers; карточка Hugging Face автоматически сгенерирована и не сообщает разработчика исходной модели, лицензию или базовую модель. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы в диалоговом формате. Её можно использовать для описания изображений и ответов на вопросы о визуальном содержимом. Данные о поддерживаемых языках и длине контекста для этой копии надёжно не установлены.

PoolFormerV2 S24 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer, обученная авторами статьи на ImageNet-1k. Она содержит 21,3 млн параметров, использует изображения размером 224 × 224 и имеет вычислительную сложность 3,4 GMACs. Модель подходит для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в системах компьютерного зрения. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

PVT-v2 B2 Li — модель классификации изображений и извлечения визуальных признаков на основе Pyramid Vision Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Модель обучена на ImageNet-1k; содержит около 22,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов, которые можно использовать в компьютерном зрении. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

QGO 10a — модель генерации изображений по текстовому описанию, опубликованная Yntec в формате Diffusers для Stable Diffusion. В карточке указана версия без EMA с VAE 840K, встроенным в модель; примеры показывают генерацию фотореалистичных портретов и сцен с аналоговой фотостилизацией. Модель предназначена для создания изображений по текстовым промптам, в частности портретов, персонажей и атмосферных сцен. В метаданных указаны форматы Diffusers и safetensors, а также лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

Qwen-Image-2512 — обновлённая в декабре 2025 года модель генерации изображений по тексту, разработанная командой Qwen. В метаданных указаны библиотека Diffusers и форматы safetensors. Модель принимает текстовые запросы на английском и китайском языках и создаёт изображения; карточка описывает улучшения по сравнению с базовой версией Qwen-Image, выпущенной в августе. Модель предназначена для создания реалистичных изображений людей и сцен, детализированных природных объектов, а также композиций с текстом. В README отмечены более естественная передача лиц и волос, тонких деталей ландшафта и шерсти животных, улучшенное следование описанию поз и более точная отрисовка текста и макета. Разработчики сообщают о результатах слепых сравнений, но карточка не приводит подробностей методики. Модель доступна по лицензии Apache-2.0. В представленных материалах не описаны конкретные ограничения по разрешению, скорости или безопасному использованию; качество результата зависит от запроса.

Realistic Vision v6.0 — модель генерации изображений по текстовому описанию, опубликованная под именем stablediffusionapi. Карточка предлагает использовать её через API ModelsLab; в примере можно задавать положительный и отрицательный промпты, размер изображения, число шагов генерации и guidance scale. В README модель описана как ориентированная на фотореалистичные изображения, включая портреты с детализированным освещением и внешностью. Репозиторий Hugging Face содержит веса в форматах Diffusers и PyTorch, а модель использует StableDiffusionPipeline. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, максимальное разрешение или поддерживаемые языки промптов.

RegNetV-6.4GF — модель классификации изображений и визуальный backbone, разработанный Россом Уайтманом и обученный в библиотеке timm на ImageNet-1k. Она относит изображения к классам и может использоваться как основа для извлечения признаков, карт признаков и эмбеддингов изображений. Модель содержит 30,6 млн параметров и выполняет около 6,4 GMACs. В карточке указаны размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, настройку шага выхода и варианты слоёв активации и нормализации. Доступны веса в форматах PyTorch и safetensors. Модель предназначена для задач компьютерного зрения общего назначения, в частности для классификации изображений из домена ImageNet. Лицензия — Apache-2.0. Показатели качества и ограничения за пределами приведённых сценариев ImageNet в карточке не описаны.

repghostnet_080.in1k — компактная модель классификации изображений семейства RepGhostNet, обученная авторами статьи на ImageNet-1k. Она также может использоваться как основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит 3,3 млн параметров, требует около 0,1 GMAC на изображение и рассчитана на входной размер 224 × 224 пикселя. Архитектура RepGhostNet использует аппаратно-эффективный Ghost-модуль с репараметризацией. Модель предназначена для классификации изображений общего назначения и может служить лёгким визуальным backbone. Репозиторий распространяется по лицензии MIT. Качество и классы распознавания ориентированы на ImageNet-1k; другие наборы классов требуют соответствующей адаптации.

RepGhostNet 1.1 — компактная модель классификации изображений, обученная авторами статьи RepGhost на ImageNet-1k. Она также может служить свёрточной основой для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 4,5 млн параметров, требует примерно 0,2 GMACs вычислений и рассчитана на изображения размером 224 × 224. Архитектура RepGhost использует репараметризацию модулей Ghost для эффективного выполнения на аппаратных устройствах. Репозиторий содержит веса PyTorch и Safetensors; библиотека для работы — timm. Модель предназначена для классификации изображений по категориям ImageNet-1k и извлечения признаков в компьютерном зрении. Лицензия MIT разрешает использование с соблюдением её условий. Данные не описывают дополнительные языковые или мультимодальные возможности.

RepViT M1.0 с дистилляцией — модель классификации изображений и визуальный бэкбон, разработанный авторами статьи RepViT: Revisiting Mobile CNN From ViT Perspective. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 7,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную стоимость 1,1 GMAC. Это компактная архитектура для компьютерного зрения, рассчитанная на эффективное использование в сценариях классификации и извлечения признаков. Веса доступны в форматах PyTorch и safetensors. Модель работает с изображениями и выдаёт метки классов; при использовании как визуального бэкбона также может возвращать карты признаков и эмбеддинги. Она обучена на ImageNet-1k, поэтому её классификация ориентирована на категории этого набора данных. Лицензия — Apache-2.0.

RepViT-M2.3 с дистилляцией — модель компьютерного зрения для классификации изображений и извлечения признаков, обученная авторами статьи RepViT на ImageNet-1k. Она также может служить визуальным backbone для получения карт признаков и эмбеддингов изображений. Модель содержит 23,7 млн параметров, выполняет около 4,6 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель распространяется в форматах PyTorch и Safetensors и предназначена для использования через библиотеку timm. Лицензия Apache-2.0 разрешает её коммерческое использование и модификацию с соблюдением условий лицензии. Карточка не сообщает об ограничениях качества или безопасности; классификация ограничена областью меток ImageNet-1k.

res2next50.in1k — модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-1k. Она использует многомасштабную архитектуру Res2Net и подходит для классификации изображений, а также для извлечения карт признаков и визуальных эмбеддингов в качестве основы компьютерного зрения. Модель содержит 24,7 млн параметров, требует изображений размером 224 × 224 пикселя и имеет вычислительную сложность 4,2 GMACs. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия в метаданных не определена.

ResNeSt-26d.gluon_in1k — модель классификации изображений на архитектуре ResNeSt, разработанной авторами статьи о Split-Attention Networks. Модель обучена авторами статьи на ImageNet-1k и содержит около 17,1 млн параметров. Она рассчитана на изображения размером 224 × 224 пикселя и может использоваться как классификатор или как backbone для извлечения признаков и эмбеддингов изображений. Модель подходит для классификации изображений по классам ImageNet-1k и построения визуальных представлений для дальнейших задач компьютерного зрения. В README указаны вычислительная сложность 3,6 GMACs и 10 млн активаций. Репозиторий содержит веса PyTorch и safetensors, библиотека для работы — timm. Лицензия — Apache-2.0.

timm/resnest50d.in1k — модель классификации изображений семейства ResNeSt, разработанная авторами статьи ResNeSt: Split-Attention Networks и опубликованная в библиотеке timm. Архитектура основана на ResNet и использует Split Attention. Модель содержит 27,5 млн параметров, имеет вычислительную сложность 5,4 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель обучена на ImageNet-1k и предназначена для классификации изображений. Её также можно использовать как основу для извлечения карт признаков и получения эмбеддингов изображений. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Описание подтверждает обучение на ImageNet-1k, но не приводит оценок качества или подробных ограничений применения.

timm/resnet18.tv_in1k — модель классификации изображений из библиотеки timm, основанная на ResNet-18 и исходных весах torchvision. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. Модель содержит около 11,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует ReLU, начальную свёртку 7 × 7 с пулингом и свёртки 1 × 1 в обходных соединениях для уменьшения размерности. Доступны веса PyTorch и safetensors; библиотека модели — timm. Модель подходит для стандартных задач классификации изображений и получения визуальных признаков. Она обучена на ImageNet-1k, поэтому может хуже работать на изображениях из предметных областей, существенно отличающихся от этого набора данных. Лицензия — BSD-3-Clause.

resnetaa50d.sw_in12k_ft_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная Россом Уайтменом. Это архитектура ResNet-D с подавлением алиасинга (Rectangle-2 Anti-Aliasing): ReLU, стем из трех сверток 3×3 с пулингом и обходные соединения с усредняющим пуллингом 2×2 и сверткой 1×1. Модель содержит 25,6 млн параметров и выполняет 5,4 GMACs. Веса предварительно обучены на ImageNet-12k и дообучены на ImageNet-1k. Модель предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. В рецепте обучения применялись AdamW, отсечение градиентов, усреднение EMA и косинусное расписание скорости обучения с разогревом. Размер изображения при обучении — 224×224, при проверке — 288×288. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Основное ограничение — специализация на классификации изображений; README приводит результаты для ImageNet, которые не гарантируют такую же точность на других наборах данных и типах изображений.

ssamperr/results_hugging_face — модель обнаружения объектов на изображениях, основанная на архитектуре DETR и представленная разработчиком ssamperr. В карточке указано, что это дообученная версия той же модели; число параметров — 6,3 млн. Модель предназначена для поиска и локализации объектов на изображениях. Репозиторий содержит веса в формате safetensors и опубликован по лицензии Apache-2.0. Карточка не описывает набор данных, классы объектов, качество, обучение или ограничения, поэтому оценить точность на конкретных изображениях нельзя.

strangervisionhf/sam3.1-st-bf16 — неофициальная копия весов SAM 3.1 в формате BF16. Базовую модель разработала Meta; SAM 3.1 — модель семейства SAM для сегментации объектов в изображениях и видео по текстовым или визуальным подсказкам, включая точки, рамки и маски. Модель поддерживает поиск всех экземпляров понятия по короткому текстовому описанию и совместное отслеживание нескольких объектов. В README заявлено, что Object Multiplex ускоряет совместное отслеживание до примерно 7 раз при 128 объектах на одном GPU H100 без потери точности, а качество video object segmentation улучшено на шести из семи бенчмарков. Репозиторий содержит только чекпойнты и не предоставляет интеграцию с Hugging Face Transformers; для запуска нужны код и инструкции из официального репозитория SAM 3.1. Лицензия в метаданных указана как other, поэтому конкретные условия использования следует уточнить у автора репозитория и в лицензии базовой модели.

openai/shap-e-img2img — модель OpenAI для генерации 3D-объектов по синтетическому 2D-изображению. Она использует диффузионную модель Shap-E, которая формирует параметры неявной 3D-функции; представление можно визуализировать как текстурированную сетку или neural radiance field. Модель предназначена для преобразования изображения объекта в его 3D-вариант. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors. Лицензия — MIT. Карточка не приводит размер модели, сведения о поддерживаемых языках и конкретные ограничения качества; она отсылает за ограничениями к исходной карточке Shap-E.

Карточка модели 24aittl/stable-diffusion-2-inpainting на Hugging Face совпадает с карточкой nlightcho/stable-diffusion-2-inpainting, поэтому описание составлено по ней. Stable Diffusion 2 Inpainting — модель латентной диффузии, разработанная Робином Ромбахом и Патриком Эссером для редактирования изображений по текстовому запросу и маске. Она продолжает обучение Stable Diffusion 2 Base ещё на 200 тысяч шагов и использует стратегию генерации масок LAMA вместе с латентным представлением скрытой области как дополнительным условием. Модель доступна для запуска через Diffusers и использует OpenCLIP-ViT/H как текстовый энкодер. Модель подходит для заполнения и замены отмеченных маской областей изображения по описанию, а также для творческого редактирования и исследовательских экспериментов с генеративными моделями. Она принимает текст и изображение с маской и выдаёт изображение. Основной язык запросов — английский; качество запросов на других языках ниже. Модель может плохо передавать читаемый текст, сложные пространственные отношения, лица и фотореалистичные детали; результаты автоэнкодера также могут быть потерянными. Обучение проводилось на отфильтрованном подмножестве LAION-5B, содержащем потенциально смещённые и небезопасные материалы. Лицензия — CreativeML Open RAIL++-M.

sd3-reality-mix — полноранговая дообученная модель генерации изображений, созданная на основе Stability AI Stable Diffusion 3 Medium. Она принимает текстовые запросы и предназначена для создания изображений, в том числе в фотореалистичном стиле и по сложным описаниям. Модель использует пайплайн StableDiffusion3Pipeline и распространяется в формате Diffusers с весами Safetensors; текстовый энкодер не обучался, поэтому для генерации можно использовать энкодер базовой модели. В обучении использовались датасеты photo-concept-bucket и dalle3, изображения примерно по 1 мегапикселю и разные соотношения сторон. README приводит примеры проверок при разрешениях от 512×512 до 1280×768 и 960×1152, но не гарантирует качество для этих параметров. Модель доступна по лицензии CreativeML OpenRAIL-M.