Рейтинг по голосам читателей, переходам и просмотрам на сайте, плюс лайки и скачивания на Hugging Face.
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.
оптический поток для LibreYOLO
Это веса WAFT для optical flow, перепакованные для библиотеки LibreYOLO. Подготовлены LibreYOLO на основе WAFT от Princeton Vision & Learning Lab. Вариант backbone twins размера l: энкодер Twins-SVT-Large, 136,0 млн параметров.
оптический поток в стиле LibreYOLO
Это чекпоинт DPFlow (CVPR 2025) для задачи оптического потока, перепакованный LibreYOLO под task flow. Стадия things: обучение на FlyingChairs, затем FlyingThings3D — стандартный чекпоинт обобщения и дефолт LibreYOLO. Веса некоммерческие.
optical flow для LibreYOLO
Это checkpoint DPFlow (CVPR 2025) для оценки оптического потока, упакованный под задачу flow в LibreYOLO. Версия sintel дообучена на смеси FlyingThings3D, MPI-Sintel, KITTI 2015 и HD1K. Веса происходят из ptlflow; изменения — только обёртка state-dict, learned parameters не тронуты.
каллиграфия без обучения
Quill — text-to-image инструмент, который пишет латиницей в стилях italic, foundational, blackletter, copperplate и brush, а кандзи и каной — в shodo. Обучения нет: контуры букв взяты из Hershey и KanjiVG, а перья, сглаживание, наклон, чернила и вёрстка заданы вручную.
LoRA для иллюстраций старых книг
Это LoRA-файнтюн Stable Diffusion v1.4 от Roxana80 для генерации иллюстраций в стиле старых книг. Обучен на датасете gigant/oldbookillustrations: 600 изображений, колонки 1600px и info_alt. Базовая модель — CompVis/stable-diffusion-v1-4, около 0,86 млрд параметров.
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
