Рейтинг по голосам читателей, переходам и просмотрам на сайте, плюс лайки и скачивания на Hugging Face.
MoGe-3 для normal-карт в формате LibreYOLO
LibreMoGe3l-normal — это MoGe-3 ViT-L/14 для оценки поверхностных нормалей (surface-normal), перепакованная в формат чекпоинтов LibreYOLO. Автор — LibreYOLO; веса взяты из официального Ruicheng/moge-3-vitl без изменения параметров.
MoGe-3 ViT-g/14 для карт нормалей в формате LibreYOLO
Перепакованный официальный чекпойнт MoGe-3 ViT-g/14 от Microsoft (Ruicheng/moge-3-vitg) в формат LibreYOLO checkpoint v1.0 с задачей normal. Обученные параметры не тронуты: все тензоры оригинального чекпойнта сохранены как есть, добавлены только метаданные формата.
RAFT для оптического потока в упаковке LibreYOLO
LibreRAFTl-flow — это RAFT large (5.3M параметров) для оценки оптического потока, перепакованный для библиотеки LibreYOLO. В основе — upstream-чекпоинт raft-things.pth, обученный сначала на FlyingChairs, затем на FlyingThings3D (C+T). Это стандартная схема upstream для обобщения.
оптический поток на 1M параметров
LibreRAFTs-flow — перепакованный для библиотеки LibreYOLO чекпойнт RAFT-small от princeton-vl. Это модель оптического потока (image-to-image) с 1.0M параметров: по паре кадров оценивает смещение (dx, dy) в пикселях. Обучена по схеме FlyingChairs → FlyingThings3D (C+T).
оптический поток RAFT в упаковке LibreYOLO
Чекпоинт RAFT (large, 5.3M параметров) для оценки оптического потока между двумя кадрами, перепакованный под библиотеку LibreYOLO. Это не новая тренировка: взят upstream-вес raft-sintel.pth из релиза princeton-vl/RAFT (коммит 2888e15), обученные параметры оставлены без изменений.
optical flow для LibreYOLO
Это RAFT (large, 5.3M параметров) для оценки оптического потока между кадрами. Чекпоинт raft-kitti.pth — это Sintel-модель, дополнительно дообученная на KITTI 2015, упакованная для библиотеки LibreYOLO.
оптический поток для edge-устройств
Это веса NeuFlow v2 из mixed-прогона — upstream-чекпоинт по умолчанию для инференса, переупакованный под задачу flow в LibreYOLO. Сеть на 9M параметров предназначена для вычисления оптического потока на edge-устройствах. Архитектура не новая: изменена только обёртка state-dict.
компактный optical flow для edge-устройств
Это веса NeuFlow v2, fine-tune на Sintel, переупакованные для задачи flow в LibreYOLO. Сеть на 9M параметров предназначена для оптического потока на edge-устройствах; канонический чекпоинт — LibreNeuFlowv2s-flow.
оптический поток в формате LibreYOLO
Это FlowSeek для оценки оптического потока от Matteo Poggi и Fabio Tosi (University of Bologna), упакованный под задачу flow в LibreYOLO. Архитектура включает ResNet-18 для context и feature сетей, замороженный encoder Depth Anything V2 ViT-S (Small) и 4 итерации уточнения.
MEMFOF в формате LibreYOLO
LibreMEMFOFm-flow — это чекпойнт MEMFOF (Tartan-T-TSKH) для оценки оптического потока, перепакованный под LibreYOLO. Модель читает три кадра — t-1, t и t+1 — и предсказывает обратный и прямой поток для кадра t; в LibreYOLO она относится к семейству задач flow LibreMEMFOF.
трёхкадровый optical flow для KITTI в формате LibreYOLO
Переупаковка чекпоинта MEMFOF (Tartan-T-TSKH-kitti) — файнтюна на бенчмарке KITTI — под библиотеку LibreYOLO. Модель читает кадры t-1, t и t+1 и предсказывает обратный и прямой flow среднего кадра. Тензоры upstream не изменены: это только обёртка метаданных в чекпоинт LibreYOLO v1.0.
9M-параметровый optical flow для edge в формате LibreYOLO
Это веса NeuFlow v2 для задачи оптического потока, перепакованные под flow-таск LibreYOLO. Вариант things — чекпоинт после обучения на FlyingThings3D, до fine-tuning на Sintel/KITTI. Сеть содержит 9M параметров и позиционируется для edge-устройств.
оптический поток на базе Depth Anything V2
Репозиторий LibreYOLO с моделью FlowSeek для задачи оптического потока (image-to-image). Внутри — сети контекста и признаков на ResNet-18, замороженный энкодер Depth Anything V2 ViT-S (Small) и 12 итераций уточнения. Чекпоинт переупакован под задачу flow в LibreYOLO и самодостаточен.
оптический поток с depth-энкодером
Это оптический поток FlowSeek, перепакованный LibreYOLO для задачи flow. Внутри — ResNet-34 для контекста и признаков, замороженный энкодер Depth Anything V2 ViT-B (Base) и 4 итерации уточнения. Чекпойнт самодостаточный: энкодер встроен.
оптический поток на базе Depth Anything V2
LibreFlowSeekl-flow — это чекпоинт FlowSeek для задачи оптического потока, перепакованный под task flow в LibreYOLO. Внутри — ResNet-34 для контекстной и feature-сетей, замороженный энкодер Depth Anything V2 ViT-B (Base) и 12 итераций refinement.
трёхкадровый оптический поток в LibreYOLO
Это перепаковка MEMFOF (Tartan-T-TSKH-sintel), fine-tune для бенчмарка MPI-Sintel, под библиотеку LibreYOLO. Модель читает кадры t-1, t и t+1 и предсказывает backward и forward поток для кадра t.
трёхкадровый optical flow для LibreYOLO
Это MEMFOF (Tartan-T) от LibreYOLO — модель трёхкадрового optical flow, переупакованная для библиотеки LibreYOLO. Она читает кадры t-1, t и t+1 и предсказывает backward и forward поток для кадра t. В LibreYOLO это семейство LibreMEMFOF задачи flow, вариант size m, variant tartan-t.
оптический поток для LibreYOLO
LibreYOLO выложил LibreWAFTm-flow — веса оптического потока WAFT (a1) с энкодером Depth Anything V2 Small на 64,2 млн параметров, перепакованные для библиотеки LibreYOLO. Это канонический чекпойнт WAFT, который README исходного проекта рекомендует для downstream-задач.
оптический поток с энкодером DINOv3
Это веса WAFT, перепакованные LibreYOLO для библиотеки LibreYOLO. Вариант backbone dinov3 размера t: WAFT a2 с энкодером DINOv3 ViT-S/16 и 56.5 M параметров. Модель оценивает optical flow между изображениями в задаче image-to-image.
оптический поток на базе WAFT
Переупакованные веса WAFT для оценки optical flow: вариант backbone dav2 размера s с энкодером Depth Anything V2 Small и 56,9 млн параметров. Модель подготовлена LibreYOLO для одноимённой библиотеки; изменена только упаковка метаданных чекпойнта, обученные параметры и их имена не тронуты.
Самые лайкнутые на Hugging Face за неделю
Языковые модели · 1,4 тыс.
Языковые модели · 1,3 тыс.
Языковые модели · 1 тыс.
Компьютерное зрение · 591
Компьютерное зрение · 570
