IV.9Медиа, журналистика, культура, архивы и игры

Карточка модели OpenGVLab/internimage_b_1k_224 на Hugging Face совпадает с карточкой OpenGVLab/internimage_t_1k_224, поэтому описание составлено по ней. InternImage-T — модель компьютерного зрения из семейства InternImage, разработанного исследователями Shanghai AI Laboratory, Университета Цинхуа и других организаций. Вариант internimage_t_1k_224 предназначен для классификации изображений и обучен на ImageNet-1K. Он использует оператор DCNv3 для адаптивного пространственного агрегирования и доступен в формате Safetensors для библиотеки Transformers. Для этого варианта README указывает 30 млн параметров, входное разрешение 224×224 и точность Top-1 83,5% на ImageNet-1K. Модель может служить визуальным энкодером и основой для задач компьютерного зрения, включая обнаружение объектов и сегментацию после соответствующей настройки. Для ускоренного вывода можно установить CUDA-реализацию DCNv3; без неё используется реализация на PyTorch, которая может требовать больше видеопамяти и работать менее эффективно. Лицензия — MIT.

Карточка модели OpenGVLab/internimage_l_22kto1k_384 на Hugging Face совпадает с карточкой OpenGVLab/internimage_t_1k_224, поэтому описание составлено по ней. InternImage-T — модель компьютерного зрения из семейства InternImage, разработанного исследователями Shanghai AI Laboratory, Университета Цинхуа и других организаций. Вариант internimage_t_1k_224 предназначен для классификации изображений и обучен на ImageNet-1K. Он использует оператор DCNv3 для адаптивного пространственного агрегирования и доступен в формате Safetensors для библиотеки Transformers. Для этого варианта README указывает 30 млн параметров, входное разрешение 224×224 и точность Top-1 83,5% на ImageNet-1K. Модель может служить визуальным энкодером и основой для задач компьютерного зрения, включая обнаружение объектов и сегментацию после соответствующей настройки. Для ускоренного вывода можно установить CUDA-реализацию DCNv3; без неё используется реализация на PyTorch, которая может требовать больше видеопамяти и работать менее эффективно. Лицензия — MIT.

Kiyo-135M — авторская базовая языковая модель DedeProGames с 134,5 млн параметров, обученная с нуля на смеси из 200 млрд токенов FineWeb-Edu, DCLM-Baseline, FineMath и Stack-v3-train. Она использует архитектуру декодера Llama по схеме SmolLM2-135M: 30 слоёв, grouped query attention, RMSNorm, блоки SwiGLU и связанные входные и выходные эмбеддинги. Модель написана на английском языке; её контекстное окно составляет 2048 токенов. Модель предназначена для продолжения текста, языкового и кодового дополнения, а также генерации ответов на основе усвоенных знаний. Это базовая модель без дообучения на следование инструкциям: она может поддерживать диалоговый сценарий, но не гарантирует выполнение запросов в формате ассистента. В карточке приведены самооценочные результаты бенчмарка; автор отмечает сильные стороны в завершении текста и кода, а также снижение точности на количественных задачах и многошаговом отслеживании контекста. Модель доступна по лицензии Apache-2.0. Она может генерировать неверные факты и повторяться или отклоняться от темы при длинной генерации, поэтому ответы следует проверять, особенно перед использованием в ответственных сценариях.

Labira/LabiraPJOK_3x_50 — дообученная модель на базе Labira/LabiraPJOK_2x_50 для ответов на вопросы. Она использует архитектуру BERT с головой BertForQuestionAnswering и рассчитана на контекст длиной до 512 токенов. Модель распространяется в формате TensorFlow по лицензии MIT. В карточке приведены результаты обучения: ошибка на обучающей выборке 0,0125 и на валидационной выборке 1,5431 после 49-й эпохи. Датасет, языки и практические ограничения модели не описаны; качество ответов вне указанного оценочного набора не установлено.

LeViT Conv 192 — модель компьютерного зрения семейства LeViT, опубликованная авторами библиотеки timm. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит 10,9 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 0,7 GMAC на изображение. Вариант с именем conv использует линейный режим с nn.Linear и BatchNorm1d; веса предварительно обучены на ImageNet-1k с дистилляцией авторами статьи о LeViT. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач. В карточке приведены примеры оценки классификации, получения эмбеддингов и извлечения карт признаков. Лицензия репозитория — Apache-2.0. Описанные характеристики и обучение относятся к ImageNet-1k; отдельные языковые возможности не применимы к модели без текстового ввода.

PeterBrendan дообучил модель PeterBrendan/llama-2-7b-Ads на базе meta-llama/Llama-2-7b-chat-hf на наборе из 7 097 примеров рекламных креативов для программной интернет-рекламы. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации рекламного текста по текстовым запросам, в том числе с учётом размеров рекламного блока. Контекст модели — 2 048 токенов; карточка указывает английский язык, формат весов — PyTorch. Модель подходит для создания черновиков рекламных объявлений и персонализированных вариантов текста для разных аудиторий и размеров креативов. Её специализация — рекламные креативы, поэтому качество для запросов вне этой области может быть ниже; результаты требуют проверки человеком. Лицензия — MIT.

LowFormer B0 — модель классификации изображений, разработанная авторами LowFormer и обученная на ImageNet-1k. Чекпойнт преобразован в формат state dict библиотеки timm и распространяется в формате safetensors по лицензии Apache 2.0. Архитектура сочетает свёрточные блоки MBConv и блок эффективного внимания, который уменьшает пространственное разрешение перед вычислением внимания и затем восстанавливает его. Модель содержит 14,1 млн параметров, рассчитана на изображения 224 × 224 и может также извлекать эмбеддинги изображений и многомасштабные карты признаков. Для ImageNet-1k указана точность Top-1 78,388% при разрешении 224 × 224 с предусмотренной предобработкой. Модель подходит для классификации изображений общего назначения и как компактный визуальный энкодер. Фактическая задержка зависит от оборудования, среды выполнения, способа экспорта и размера пакета; при bfloat16 модель B0 может заметно терять точность, тогда как FP16 соответствует результатам FP32 согласно карточке.

MaxxViT-V2 RMLP Base RW 224 SW IN12K — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработал Ross Wightman и обучил в библиотеке timm на ImageNet-12k — подмножестве ImageNet-22k с 11 821 классом. Архитектура MaxxViT-V2 сочетает блоки ConvNeXt и grid self-attention; вариант использует MLP Log-CPB — непрерывное смещение относительных позиций, мотивированное Swin V2. Модель содержит 127,2 млн параметров и рассчитана на изображения 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch и SafeTensors. Модель подходит для классификации объектов на изображениях, использования в качестве визуального backbone и извлечения эмбеддингов и карт признаков. Специализация на ImageNet-12k помогает классификации по широкому набору классов, но сама по себе не гарантирует качество на предметных областях или классах, отсутствовавших в обучении. Лицензия — Apache-2.0.

MetaCLIP-2-Age-Range-Estimator — модель классификации изображений, разработанная prithivMLmods на основе facebook/metaclip-2-worldwide-s16 и дообученная для определения возрастной категории человека на фотографии. Она использует архитектуру MetaClip2ForImageClassification и относит изображение к одному из пяти классов: ребёнок 0–12 лет, подросток 13–20 лет, взрослый 21–44 года, средний возраст 45–64 года или 65 лет и старше. Модель предназначена для оценки возрастного распределения на изображениях и может применяться в исследованиях, розничной торговле и системах контроля доступа. Она принимает изображения и выдаёт метку возрастной категории. Модельный репозиторий использует Transformers и формат safetensors; базовая MetaCLIP 2 — мультиязычная модель сопоставления изображений и текста. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

timm/mixnet_xl.ra_in1k — модель MixNet для классификации изображений, обученная разработчиками timm на ImageNet-1k с рецептом RandAugment. Архитектура использует смешанные глубинные свёртки; модель содержит 11,9 млн параметров, требует изображения размером 224 × 224 пикселя и выполняет около 0,9 GMAC на изображение. Модель предназначена для присвоения изображению класса из набора ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Это модель MobileNet-V1 для классификации изображений, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она также подходит как компактная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит 5,3 млн параметров и требует около 0,6 GMAC на изображение; размер изображений при обучении — 224 × 224 пикселя, при тестировании — 256 × 256. Веса доступны в форматах PyTorch и Safetensors, библиотека модели — timm. Лицензия — Apache-2.0. Карточка не описывает поддержку нескольких языков: модель обрабатывает изображения и выдаёт классы либо признаки, а не текст.

MobileNetV4 Conv Small — сверточная модель классификации изображений из семейства MobileNetV4, опубликованная Россом Уайтманом в библиотеке timm. Она обучена на ImageNet-1k с использованием скриптов timm и гиперпараметров, основанных на статье MobileNetV4 с доработками timm. Модель содержит около 3,8 млн параметров и предназначена для классификации изображений и использования в качестве визуального backbone; также доступны извлечение карт признаков и эмбеддингов изображений. Модель рассчитана на изображения размером 224 × 224 при обучении и 256 × 256 при тестировании. Веса представлены в форматах PyTorch и Safetensors; лицензия — Apache-2.0. В карточке указано, что официальные веса моделей TensorFlow пока не выпущены, а описанный набор весов является единственным известным для MobileNetV4 на момент публикации карточки.

MobileViT-v2 200 — модель классификации изображений и извлечения визуальных признаков из семейства MobileViT-v2. Её разработали авторы статьи «Separable Self-attention for Mobile Vision Transformers»; модель предоставлена библиотекой timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 18,4 млн параметров, выполняет 7,2 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия обозначена как other; подробности условий использования следует сверить с лицензией проекта.

Muslim-6B-v3-i1-GGUF — это набор квантизированных GGUF-версий языковой модели Muslim-6B-v3, разработанной NightPrince и квантизированной mradermacher. Модель предназначена для генерации текста, включая сценарии на арабском и английском языках, а также задачи, связанные с исламской тематикой. В метаданных также заявлена поддержка tool-calling и наличие компонентов LoRA и PEFT в исходной модели. Модель относится к causal language models, построена на архитектуре Qwen3 и содержит около 6 миллиардов параметров. Представлены различные варианты квантизации i1, включая IQ1–IQ4, Q2–Q6 и другие форматы, с размером файлов примерно от 1,6 до 5 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README рекомендован вариант i1-Q4_K_M как быстрый, а i1-Q4_K_S назван оптимальным по соотношению размера, скорости и качества. Контекстное окно, мультимодальные возможности и точные характеристики tool-calling не указаны. Модель подходит для локального запуска и генерации двуязычного текста, особенно в арабоязычных и исламских прикладных сценариях. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в предоставленных данных бенчмарков или подробного описания поведения модели. Распространение указано по лицензии Apache-2.0.

nfnet_l0.ra2_in1k — модель классификации изображений семейства Lightweight NFNet, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Архитектура основана на предварительно активируемых блоках, похожих на ResNet, и не использует слои нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты усиления в остаточных связях и около нелинейностей. Вариант Lightweight NFNet использует уменьшенные коэффициенты SE и узких мест, меньший размер групп и активацию SiLU. Модель предназначена для классификации изображений и может использоваться как основа для извлечения признаков и эмбеддингов изображений. Она содержит около 35,1 млн параметров, выполняет 4,4 GMAC и рассчитана на изображения 224×224 при обучении и 288×288 при тестировании. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0.

nf_resnet50.ra2_in1k — модель классификации изображений семейства NFResNet, обученная Россом Уайтманом с помощью библиотеки timm. Это вариант ResNet с предварительной активацией без слоёв нормализации: вместо Batch Normalization применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и около нелинейностей. Модель обучена на ImageNet-1k и может использоваться для классификации изображений, извлечения карт признаков и получения эмбеддингов. Она содержит 25,6 млн параметров, имеет вычислительную сложность 5,5 GMACs; размер изображения при обучении — 256 × 256 пикселей, при тестировании — 288 × 288. Веса доступны в форматах PyTorch и safetensors, библиотека модели — timm. Модель подходит как готовый классификатор изображений и как визуальная основа для других задач компьютерного зрения. Карточка не сообщает метрики качества или перечень языков, поскольку модель работает с изображениями. Лицензия — Apache-2.0.

elprofessor67/om-logistics-pod-v8-8b — дообученная elprofessor67 мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и 8B-параметрической базой, предназначенная для задач image-text-to-text. В карточке указано, что модель дообучена на elprofessor67/om-logistics-pod-v7-8b с использованием Unsloth и библиотеки TRL. Модель принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Английский указан среди языков карточки. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает конкретные сценарии логистики или результаты оценки, поэтому её специализацию и качество в таких сценариях нельзя установить по имеющимся данным.

PiT-B/224 — модель классификации изображений на основе Pooling-based Vision Transformer (PiT), разработанная авторами исследования «Rethinking Spatial Dimensions of Vision Transformers» и обученная на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 73,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. В репозитории доступны веса PyTorch и Safetensors; для работы используется библиотека timm. Модель распространяется по лицензии Apache-2.0. Классификатор обучен на категориях ImageNet-1k, поэтому его метки и качество ориентированы на этот набор классов. Изменение размера или предметной области может потребовать дополнительной настройки; модель не предназначена для понимания текста или обработки других модальностей.

PNASNet-5 Large — сверточная модель для классификации изображений и извлечения визуальных признаков. Авторы статьи Progressive Neural Architecture Search обучили её на ImageNet-1k; вариант перенесён из TensorFlow в PyTorch через pretrained-models.pytorch от Cadene. Модель содержит около 86,1 млн параметров, имеет вычислительную сложность 25 GMACs и рассчитана на изображения размером 331 × 331 пиксель. Модель подходит для определения объектов и категорий на изображениях, получения карт признаков и визуальных эмбеддингов. Репозиторий предоставляет веса в форматах PyTorch и safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0. Карточка не сообщает о специальных ограничениях применения.

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

QIE-2511-Outfit-Design-Layout — адаптер LoRA, разработанный Prithiv Sakthi для модели Qwen/Qwen-Image-Edit-2511. Это модель преобразования изображений, предназначенная для добавления элементов одежды или дизайнерских макетов в заданную область изображения с сохранением окружающей сцены. Адаптер активирует сценарий размещения дизайна внутри отмеченной области, например по инструкции «Add the design inside the red marked area». Он стремится сохранить согласованность текстур, освещения, теней и перспективы, обеспечивая естественное встраивание дизайна без заметных артефактов, искажений краёв и несоответствия стиля. Поддерживает англоязычные текстовые инструкции, работает через библиотеку Diffusers и совместим с версиями Diffusers 2509 и 2511. Базовая модель поддерживает image-to-image редактирование, однако точные сведения о размере, архитектуре и максимальной длине контекста в README не указаны. Модель подходит для виртуального размещения элементов одежды, концептуального дизайна и локального редактирования изображений, когда требуется изменить только выделенный участок. Ограничения включают зависимость от базовой модели Qwen-Image-Edit-2511 и необходимость корректно обозначить целевую область и сформулировать инструкцию на английском языке. Распространяется по лицензии Apache-2.0.

Qwen2.5-Omni-7B-Safety-ZeroAudio — дообученная методом полного SFT модель boyuzhuGPT на базе Qwen/Qwen2.5-Omni-7B для мультимодальной классификации безопасности. Она анализирует текст, статические изображения и видео, определяя, безопасно ли содержимое, и возвращает категории риска в кратком формате Safe/Unsafe. При обучении использовались 13 наборов данных по текстовой и визуальной безопасности, всего 193 788 примеров; аудиоданные исключены, и аудиомодальность удалена. В README указаны обучающие loss около 0,088 и точность предсказания токенов 96,94%, но независимая оценка этих показателей не приводится. Архитектура — плотная Qwen2.5-Omni с 7B в названии базовой модели; репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0.

Это мультимодальная версия модели Qwen 3.5 Amharic 4B Thinking, разработанная на базе abdukuzi45/qwen3.5-amharic-4b-thinking-uncensored и квантизированная mradermacher в формате GGUF. Модель предназначена для генерации текста и обработки изображений вместе с текстом, включая сценарии image-text-to-text. В метаданных указан мультиязычный режим, однако конкретный набор поддерживаемых языков не приведён; из названия следует специализация на амхарском языке. Модель имеет размер около 4 миллиардов параметров, но точная архитектура и размер контекстного окна в README не указаны. Доступны варианты квантизации от Q2_K до Q8_0, IQ4_XS и f16; размеры файлов составляют примерно от 2,1 до 8,8 ГБ. Для мультимодальной работы предусмотрены отдельные файлы mmproj. README рекомендует варианты Q4_K_S и Q4_K_M как быстрые, а Q8_0 отмечает как вариант с лучшим качеством. Более сильная квантизация уменьшает требования к памяти, но может снижать качество, особенно у младших вариантов. Лицензия в README не указана. Также отсутствуют результаты бенчмарков, подробности обучения, точные ограничения мультимодальности и рекомендации по аппаратным требованиям. Модель распространяется как набор GGUF-файлов для совместимых средств запуска.

rdnet_base.nv_in1k — модель классификации изображений и визуальный backbone семейства RDNet, опубликованный Naver AI. Модель обучена на ImageNet-1k; в карточке указаны точность top-1 84,4% на валидационной выборке, 87 млн параметров и вычислительная сложность 15,4 GMACs. Рекомендуемый размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как готовый классификатор или как основу для компьютерного зрения в прикладных системах. Веса доступны в формате PyTorch, библиотека модели — timm. Лицензия — BSD 3-Clause.

RegNetV-4GF — модель классификации изображений и извлечения признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель содержит 20,6 млн параметров и требует около 4,0 GMACs на изображение. Для обучения использовался размер 224 × 224 пикселя, для тестирования — 288 × 288. Помимо предсказания классов ImageNet, модель можно применять как основу для извлечения карт признаков и визуальных эмбеддингов. Реализация RegNet в timm поддерживает stochastic depth, gradient checkpointing, настройку шага выходных признаков и выбор слоёв активации и нормализации. Модель предназначена для обработки изображений; качество и набор классов классификации связаны с обучением на ImageNet-1k.

RegNet Y 080 — сверточная модель семейства RegNet для классификации изображений, обученная на ImageNet-1k. Архитектура разработана авторами статьи Designing Network Design Spaces и впервые опубликована в этом репозитории; карточку модели подготовила команда Hugging Face. В метаданных указаны реализации для PyTorch и TensorFlow и лицензия Apache-2.0. Модель предназначена для определения классов объектов на изображениях и может служить основой для дообученных вариантов под специализированные задачи. Она принимает изображение и выдаёт предсказания классов. Карточка не сообщает размер модели и ограничения сверх того, что для других задач следует искать дообученные версии.

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

resnet200d.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она основана на архитектуре ResNet-D и содержит 64,7 млн параметров. Вариант ResNet-D использует трехслойный стем из сверток 3×3 с пулингом и сокращающие соединения с усредняющим пулингом 2×2 и сверткой 1×1; применяются активации ReLU. Для обучения использована схема аугментации RandAugment RA2, оптимизатор RMSProp, усреднение весов EMA и ступенчатое экспоненциальное уменьшение скорости обучения с разогревом. Модель предназначена для отнесения изображений к классам, а также может служить основой для извлечения карт признаков и эмбеддингов изображений. Указанный размер входа при обучении — 256×256, при тестировании — 320×320 пикселей. Данные описывают обучение на ImageNet-1k; лицензия репозитория — Apache-2.0.

ResNet50D.a1_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet-D использует активации ReLU, трёхслойный блок начальных свёрток 3×3 с пулингом и усечение размерности в обходных связях через усредняющий пулинг 2×2 и свёртку 1×1. Модель содержит 25,6 млн параметров и выполняет классификацию изображений; также её можно использовать как основу для извлечения карт признаков и эмбеддингов. Рекомендуемый размер изображения при обучении — 224×224, при тестировании — 288×288. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для распознавания объектов и категорий на изображениях, а также для получения визуальных признаков в компьютерном зрении. Карточка не описывает ограничения точности за пределами ImageNet-1k.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm, основанная на архитектуре ResNet с предварительной активацией и подходе Big Transfer. Авторы научной работы предварительно обучили её на ImageNet-21k и дообучили на ImageNet-1k. Модель содержит 236,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В ней применяются Group Normalization и Weight Standardization вместо Batch Normalization. Это англоязычный набор классов ImageNet; лицензия репозитория — Apache-2.0. Высокая ёмкость модели подходит для задач, где важны сильные визуальные представления, но требует значительных вычислительных ресурсов. Классификатор настроен на классы ImageNet-1k, поэтому применение к другим наборам классов потребует адаптации.