IV.1Ритейл, электронная коммерция и fashion-tech

timm/resnet32ts.ra2_in1k — модель классификации изображений, разработанная Россом Уайтманом и обученная на ImageNet-1k с использованием библиотеки timm. Она основана на архитектуре ResNet и реализована через гибкую систему BYOBNet в timm. Модель содержит около 18 млн параметров; в README указаны размеры изображений 256 × 256 для обучения и 288 × 288 для тестирования. Вариант ra2 использует трёхуровневый ступенчатый stem без pooling и активации SiLU. Модель предназначена для классификации изображений, а также может использоваться как backbone для извлечения признаковых карт и векторов изображений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Заявленные характеристики вычислений составляют 4,6 GMACs и 11,6 млн активаций. README не приводит перечень классов, точность на тестовых наборах или параметры контекста; качество результатов зависит от входных изображений и используемого сценария.

ResNet-C — сверточная модель классификации изображений из библиотеки timm, разработанная на основе архитектуры ResNet. Версия resnet50c.gluon_in1k содержит 25,6 млн параметров, использует активации ReLU, трёхслойный стем из свёрток 3×3 с пулингом и обходные соединения с понижающей выборкой через свёртки 1×1. Расчётный размер изображения — 224×224 пикселя. Модель обучена на ImageNet-1k с использованием Apache Gluon и рецептов Bag of Tricks for Image Classification. Она предназначена для классификации изображений по классам ImageNet, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors. Модель рассчитана на обработку изображений и выдаёт метки классов; эмбеддинги и карты признаков доступны при соответствующем использовании модели. Лицензия — Apache-2.0. Качество классификации за пределами ImageNet-1k и ограничения при работе с изображениями иного размера или предметной области в карточке не описаны.

timm/resnetrs200.tf_in1k — модель классификации изображений семейства ResNetRS-B, опубликованная авторами библиотеки timm. Она обучена авторами статьи на ImageNet-1k и подходит для отнесения изображений к классам, извлечения карт признаков и получения эмбеддингов изображений. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом и shortcut-соединения с проекцией 1×1. Модель содержит 93,2 млн параметров; для обучения использовался размер изображения 256×256, для оценки — 320×320. Весовые файлы доступны в форматах PyTorch и safetensors, библиотека модели — timm. Лицензия Apache-2.0. Карточка приводит ImageNet-1k как обучающий датасет, поэтому модель ориентирована на классификацию изображений в рамках его классов; производительность на других наборах данных может отличаться.

ReXNet-1.5x — сверточная модель классификации изображений, представленная в статье об архитектуре ReXNet и предварительно обученная на ImageNette. В остаточных блоках используется модифицированный слой Squeeze-Excitation, предназначенный для уменьшения избыточности каналов. Модель подходит для классификации изображений по категориям в сценариях компьютерного зрения. В репозитории доступны веса PyTorch и ONNX, а лицензия — Apache-2.0.

Remade-AI/Rotate — это LoRA-адаптер для Wan2.1 14B I2V 480p, предназначенный для генерации видео из изображения с эффектом полного вращения объекта на 360 градусов. Адаптер можно применять к изображениям людей, животных, транспортных средств, мебели и других объектов; он подключается к базовой модели Wan2.1 через Diffusers или совместимый workflow ComfyUI. Модель работает в сценариях image-to-video и использует текстовый триггер «r0t4tion 360 degrees rotation». В README указаны базовая архитектура Wan2.1 I2V 14B с разрешением 480p, поддержка английского языка, веса в формате Safetensors и рекомендуемые параметры: LoRA Strength 1.0, Embedded Guidance Scale 6.0 и Flow Shift 5.0. Обучение проводилось в течение 20 эпох на 30 секундах видео, включавших 12 коротких клипов с вращающимися объектами. Сильной стороной адаптера является специализация на воспроизводимом эффекте кругового вращения и возможность адаптации к различным типам объектов при использовании простой структуры промпта. Ограничения включают зависимость от базовой модели Wan2.1 I2V 14B 480p и необходимость корректно настроенного workflow; сведения о точных требованиях к оборудованию, качестве на разных сценах и поддерживаемых языках кроме английского не приведены. Модель распространяется по лицензии Apache-2.0.

SAM 3.1 MLX BF16 — репозиторий Avencera с runtime-файлами модели SAM 3.1 в формате BF16 для библиотеки MLX. Это зеркало модели facebook/sam3.1, предназначенное для запуска на устройствах Apple Silicon. SAM 3.1 сегментирует и отслеживает объекты в изображениях и видео по текстовым или визуальным подсказкам, формируя маски объектов. Модель подходит для выделения объектов на изображениях и сопровождения объектов в видео. Репозиторий содержит файлы safetensors; лицензия указана как other, поэтому конкретные условия использования следует проверять у автора модели.

SAM 3.1 Multiplex BF16 for MLX — производная версия весов Meta SAM 3.1, подготовленная App Automaton для запуска через mlx-cv на компьютерах Apple Silicon. Это чекпойнт BF16 для обнаружения объектов и их сегментации и отслеживания в видео; целевая задача в каталоге — генерация масок. Модель принимает изображения и видеокадры, а результаты сегментации представляет в виде масок. Базовая SAM 3.1 поддерживает текстовые и визуальные подсказки, однако README этой версии отдельно не описывает доступные способы задания подсказок. В README приведены проверки совместимости и численной близости результатов к официальной реализации SAM 3.1, включая сравнение масок и распространение объектов между кадрами. Это инференсный чекпойнт для MLX, рассчитанный на поддерживаемые системы Apple Silicon; характеристики скорости и памяти зависят от разрешения, длины последовательности, числа объектов и устройства. Сегментация и трекинг могут давать сбои при неоднозначных подсказках, перекрытиях, малых объектах и сдвиге домена. По README, распространение осуществляется по лицензии SAM; перед использованием следует ознакомиться с bundled LICENSE, а использование означает принятие её условий. Метаданные указывают связь finetune с facebook/sam3.1 и библиотеку MLX.

Photoreal Photo v2 — дообученная модель Stable Diffusion 1.5 для генерации фотореалистичных изображений по текстовым описаниям. Карточка предлагает протестировать модель, но не приводит сведений о её разработчике, размере или настройках генерации. Модель предназначена для создания изображений в фотореалистичном стиле. В метаданных указаны библиотека Diffusers, форматы Diffusers и PyTorch, задача text-to-image и английский язык. Лицензия — GPL-3.0.

DESSEP/SDXL-v1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Evgeniy Pantin на основе Stable Diffusion XL Base 1.0 от Stability AI. Это диффузионная модель в формате Diffusers с весами Safetensors; для текстового кодирования используются OpenCLIP-ViT/G и CLIP-ViT/L. Модель предназначена для создания изображений по промптам и изменения изображений. Версия «a12» прошла 12 шагов дообучения на специально отобранных 80 изображениях; автор рекомендует использовать последнюю доступную версию репозитория. Основной язык промптов — английский. Лицензия CreativeML Open RAIL++-M разрешает коммерческое и некоммерческое использование с соблюдением её условий и ограничений. Модель может плохо отображать читаемый текст, сложные пространственные композиции, лица и людей; автоэнкодер вносит потери. Она не предназначена для достоверного воспроизведения людей или событий, а результаты на других языках могут быть хуже. Обучающие изображения, согласно карточке, не содержали NSFW-данных.

Seg-Zero-7B — модель для сегментации изображений по текстовому запросу, представленная в карточке проекта Seg-Zero и основанная на архитектуре Qwen2.5-VL. Она принимает изображение и инструкцию, формирует цепочку рассуждений и позиционные подсказки, а затем выдаёт пиксельную маску. Модель обучалась с подкреплением по алгоритму GRPO без явных обучающих данных с цепочками рассуждений; в README сообщается о zero-shot результате 57,5 на тесте ReasonSeg и преимуществе над LISA-7B на этом бенчмарке. Модель рассчитана на сегментацию объектов и областей, описанных естественным языком, включая запросы, требующие интерпретации намерения пользователя. В метаданных указаны 7,1 млрд параметров, контекст 128 000 токенов и поддержка английского языка. Репозиторий содержит веса Safetensors и использует Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и связанными материалами проекта. Качество зависит от изображения, формулировки запроса и выбранного бенчмарка; README отдельно отмечает, что лучшие результаты на разных тестах получены с разными чекпойнтами. Для запуска и обучения требуются значительные вычислительные ресурсы: авторы рекомендуют для обучения 7B-модели сервер с четырьмя GPU по 80 ГБ или восемью GPU по 46 ГБ.

Это версия Stable Diffusion 3.5 Large, оптимизированная для инференса с помощью TensorRT в совместной работе Stability AI и NVIDIA. Модель представляет собой мультимодальный диффузионный трансформер MMDiT для генерации изображений по текстовому описанию. В репозитории размещены ONNX-экспорты компонентов T5, MMDiT и VAE в точности BF16, а также MMDiT в FP8, полученный квантизацией с помощью NVIDIA TensorRT Model Optimizer. Модель предназначена для генерации изображений высокого качества, включая сцены со сложными описаниями и текстом внутри изображения. Оптимизация TensorRT рассчитана на ускоренный инференс и производственное развертывание на графических ускорителях NVIDIA; приведены замеры для H100 при генерации 1024×1024 за 30 шагов. В качестве входа используется текст, результатом является изображение. Основной язык карточки — английский. Для использования нужны совместимое оборудование NVIDIA и окружение TensorRT; README показывает запуск в контейнере NVIDIA и приводит пример с загрузкой ONNX-моделей. Лицензия указана как `other`, поэтому условия использования следует сверить с лицензией исходной модели и репозитория перед развертыванием.

Stable Point Aware 3D (SPAR3D) — модель Stability AI для преобразования одного изображения в текстурированный UV-развёрнутый 3D-меш. Она использует двухэтапную архитектуру: диффузионную модель облака точек для улучшения реконструкции скрытых сторон объекта и регрессионное предсказание меша, позволяющее редактировать результат. Модель рассчитана на входное изображение 512×512 пикселей и создаёт результат менее чем за секунду. SPAR3D предназначена для создания 3D-объектов в творческих и дизайнерских проектах, образовательных инструментах и исследованиях реконструкции. Модель также выполняет делайтинг и предсказывает параметры материалов, включая шероховатость и металлические свойства, что упрощает использование объектов в игровых движках и рендеринге. Она обучалась на отобранных рендерах из Objaverse. Модель не предназначена для получения достоверных изображений людей или событий. Использование должно соответствовать Acceptable Use Policy Stability AI. Для лиц и организаций с годовой выручкой от 1 млн долларов США для коммерческого использования SPAR3D, её производных или результатов требуется отдельная корпоративная лицензия Stability AI; также применяется Community License.

timm/swiftformer_s.dist_in1k — модель классификации изображений семейства SwiftFormer, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению класса из набора ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 6,1 млн параметров, требует около 1,0 GMAC на изображение и рассчитана на входной размер 224 × 224 пикселя. Реализация доступна для библиотеки timm; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не сообщает о поддержке других датасетов или языковых функций.

Swin Transformer Base — модель компьютерного зрения, разработанная авторами Swin Transformer и представленная в статье Liu et al. Это базовая модель для классификации изображений, обученная на ImageNet-1k с разрешением 384×384; в каталоге указаны реализации PyTorch и TensorFlow и архитектура SwinForImageClassification. Архитектура строит иерархические карты признаков, объединяя патчи на более глубоких уровнях, и вычисляет внимание внутри локальных окон со сдвигом. Такой подход обеспечивает линейную сложность вычислений относительно размера изображения и позволяет использовать модель как основу для задач распознавания изображений. Модель предназначена для классификации изображений по 1000 классам ImageNet; для других задач можно искать дообученные версии. Лицензия — Apache-2.0. В карточке также описана роль модели как общей основы для задач плотного распознавания, но сама модель опубликована с задачей классификации.

Taiyi-Diffusion-XL (Taiyi-XL) — модель генерации изображений по текстовому описанию от команды IDEA-CCNL. Она предназначена для двуязычной генерации по запросам на китайском и английском языках, сохраняя понимание английского и усиливая поддержку китайского и длинных описаний. Модель построена на Stable Diffusion XL: разработчики заменили исходный текстовый энкодер на CLIP-энкодер, расширенный для китайского языка и более длинного контекста, и обучали диффузионную модель с разными разрешениями и соотношениями сторон. В README сообщается о сравнительных оценках на COCO и COCO-CN по CLIP Sim, IS и FID, где модель показала лучшие результаты среди сравниваемых моделей. Репозиторий содержит веса в формате Diffusers и SafeTensors. Лицензия — Apache 2.0.

tf_efficientnet_b7.ap_in1k — сверточная модель классификации изображений семейства EfficientNet. Её обучили авторы исследовательской работы на ImageNet-1k с использованием AdvProp, а Ross Wightman перенёс веса из TensorFlow в PyTorch; модель доступна через библиотеку timm. В ней 66,3 млн параметров, вычислительная сложность составляет 38,3 GMACs, рекомендуемый размер входного изображения — 600 × 600 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно использовать как основу для извлечения признаковых карт и векторных представлений изображений. Она принимает изображения и выдаёт метки классов либо признаки, в зависимости от выбранного способа применения. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает поддержку других наборов классов или языковых задач.

tf_efficientnet_lite2.in1k — компактная сверточная модель классификации изображений семейства EfficientNet-Lite. Её обучили авторы EfficientNet-Lite на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Она содержит около 6,1 млн параметров, требует изображения размером 260 × 260 и имеет вычислительную сложность около 0,9 GMACs. Лицензия репозитория — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классы и качество ограничены этой задачей и распределением данных; карточка не описывает поддержку других задач или языков.

tf_mobilenetv3_small_100.in1k — компактная модель семейства MobileNetV3 для классификации изображений и извлечения признаков. Её обучили авторы статьи Searching for MobileNetV3 на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна в формате PyTorch и safetensors и использует библиотеку timm. Модель рассчитана на изображения размером 224 × 224 пикселя и содержит около 2,5 млн параметров. Её можно применять для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Небольшой размер и вычислительная стоимость около 0,1 GMAC делают её подходящей для компактных систем компьютерного зрения. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификационные категории и качество за пределами этого набора данных могут не соответствовать конкретной прикладной задаче; для такой задачи может понадобиться адаптация.

TraVisionLM-base — мультимодальная модель, разработанная ucsahin для обработки изображений по инструкциям на турецком языке и генерации текстовых ответов. Она принимает изображение и текстовый запрос, а в ответ создаёт описание изображения или отвечает на вопрос о нём. Модель подходит для краткого и подробного описания изображений, визуальных вопросов и ответов, а также простых задач на подсчёт и определение атрибутов объектов. Модель содержит 875 млн параметров и сочетает визуальный кодировщик SigLIP с языковой моделью GPT2-large; проектор связывает визуальные и текстовые представления. В README указаны базовые компоненты google/siglip-base-patch16-256-multilingual и ytu-ce-cosmos/turkish-gpt2-large, а также обучение проектора и последующее дообучение на наборах изображений и текстовых инструкций. Репозиторий совместим с Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0. Краткие описания обычно реже содержат галлюцинации, тогда как подробные описания и ответы на визуальные вопросы могут включать детали, которых нет на изображении. Модель ориентирована на турецкий язык; её применимость к видео в README описана как адаптация с выборкой кадров, а не как непосредственный видеоввод.

Карточка модели Circova/TRELLIS-image-large на Hugging Face совпадает с карточкой microsoft/TRELLIS-image-large, поэтому описание составлено по ней. TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

TripoSG — модель генерации 3D-форм по одному изображению, разработанная Tripo и VAST AI Research. Она предназначена для создания высокодетализированных 3D-сеток для дизайна, прототипирования, визуализации, игровых ресурсов и VFX. Архитектура сочетает Transformer на основе Rectified Flow, VAE с представлением на основе SDF и гибридным геометрическим обучением, а также cross-attention для передачи признаков изображения. По данным README, модель содержит 1,5 млрд параметров и работает с 2048 латентными токенами. Для запуска требуется GPU с CUDA и более 8 ГБ видеопамяти. Модель принимает изображение и генерирует 3D-форму; поддерживаемые естественные языки не заявлены. Лицензия — MIT. README описывает применение для создания 3D-ресурсов, но не приводит количественных оценок качества или ограничений по типам входных изображений.

VisionReasoner-7B — модель для визуального рассуждения и сегментации изображений, разработанная в рамках фреймворка Seg-Zero. Это плотная модель семейства Qwen2.5-VL на 7,1 млрд параметров, дообученная с помощью обучения с подкреплением GRPO без явных данных с цепочками рассуждений. Архитектура разделена на модель рассуждений и модель сегментации: первая интерпретирует запрос, формирует текстовое объяснение и пространственные подсказки, а вторая по ним строит пиксельные маски. Модель предназначена для сегментации объектов по текстовому запросу и визуального ответа на запросы о содержимом изображения. В README сообщается о нулевой точечной оценке 57,5 на ReasonSeg и улучшении на 18% относительно LISA-7B. Репозиторий содержит веса safetensors; модель рассчитана на Transformers и имеет контекст до 128 000 токенов. Карточка связывает её с датасетами COCO, ReasonSeg, CountBench и наборами refCOCOg и multi-object. Основной язык карточки — английский. Лицензия — Apache-2.0.

vit_betwixt_patch16_reg1_gap_256.sbb_in1k — модель классификации изображений на основе Vision Transformer из библиотеки timm. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный бэкбон для извлечения признаковых карт и эмбеддингов. Модель содержит 60,4 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Архитектура использует патчи 16 × 16, регистры и глобальное усреднение признаков. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель подходит для стандартной классификации изображений и получения визуальных признаков для последующих систем. Она обучена на ImageNet-1k, поэтому качество на специализированных предметных областях и типах изображений за пределами обучающих данных может быть ниже.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Россом Уайтманом для библиотеки timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков. Модель содержит 60,4 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В сравнительной таблице README для этой версии указаны точности top-1 86,608% и top-5 97,934%. Для практического использования доступны веса в форматах PyTorch и safetensors; модель распространяется по лицензии Apache-2.0. Она ориентирована на категории ImageNet и не предназначена сама по себе для распознавания объектов, сегментации или анализа изображений с естественно-языковыми запросами.

Это модель классификации изображений на базе Vision Transformer из библиотеки timm, разработанная Россом Уайтманом. Архитектура использует патчи 16×16, четыре регистра и глобальное усреднение признаков; модель содержит около 64,1 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для определения классов объектов на изображениях, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. В README приведены результаты ImageNet-1k: точность top-1 86,608% и top-5 97,934%. Для использования опубликована по лицензии Apache-2.0. Модель ориентирована на классификацию изображений из предметных категорий ImageNet; качество на иных наборах данных и задачах отдельно не установлено.

WinKawaks/vit-tiny-patch16-224 — компактная модель для классификации изображений на основе Vision Transformer (ViT). Автор сообщает, что веса преобразованы из репозитория timm, поскольку Google не публиковала контрольные точки ViT-Tiny и ViT-Small на Hugging Face. Модель содержит 7,1 млн параметров и обучена на ImageNet. Модель принимает изображение и предсказывает класс объекта. Её можно применять для классификации изображений в приложениях компьютерного зрения, где важен небольшой размер модели. Репозиторий содержит веса PyTorch и SafeTensors; для загрузки варианта SafeTensors требуется PyTorch 2.0 или новее. Лицензия — Apache-2.0.

VividReal_v2 — модель генерации изображений по текстовому описанию, опубликованная digiplay. Карточка содержит пример запроса для реалистичного изображения женщины, читающей книгу у окна, но не сообщает архитектуру, размер или контекст модели. Метаданные указывают на совместимость с Diffusers и формат safetensors, а также на семейство Stable Diffusion. Модель предназначена для создания изображений по текстовым промптам. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория модели.

YOLO26x-OptiQ-6bit — смешанно-точно квантированная версия YOLO26x от сообщества mlx-community на базе Ultralytics/YOLO26. Модель предназначена для обнаружения объектов на изображениях и работы на Apple Silicon через MLX, используя runtime yolo-mlx. При квантовании optiq назначает слоям разную разрядность по их чувствительности: целевая и достигнутая средняя точность составляют 6 бит на вес, а отдельные слои используют 4- и 8-битное представление. В тесте COCO128 модель показала на 1,1% меньше обнаружений, чем исходная FP32-версия, при сжатии в 4,5 раза. Для запуска требуются mlx-optiq и yolo-mlx. Репозиторий распространяется по лицензии AGPL-3.0; в карточке не приведены сведения о размере модели и длине контекста.

StableDelight — модель преобразования изображений из репозитория Stable-X, представленная в формате Diffusers. Она предназначена для удаления зеркальных отражений с фотографий, чтобы проявить скрытые под ними текстуры. Карточка связывает модель с работой «StableDelight: Revealing Hidden Textures by Removing Specular Reflections» и отсылает к GitHub-репозиторию за инструкциями по использованию. Модель распространяется в формате safetensors под лицензией Apache-2.0. Данных о размере, архитектурных деталях, языковой поддержке и ограничениях качества в доступной карточке нет.