Hugging Face, 컴퓨터 비전 생태계 확장 현황 공개

Hugging Face는 Vision Transformer(ViT) 지원을 시작으로 컴퓨터 비전(CV) 분야를 집중적으로 확장해 왔다. 현재 Hub에는 8가지 핵심 비전 태스크(이미지 분류, 세그멘테이션, 객체 탐지, 비디오 분류, 깊이 추정, 이미지-이미지 합성, 무조건부 이미지 생성, 제로샷 이미지 분류)를 지원하며, 3,000개 이상의 모델과 100개 이상의 데이터셋이 구축되어 있다.

지원 아키텍처는 ViT, Swin, DETR과 같은 Transformer 기반 모델뿐만 아니라, 산업계에서 여전히 널리 쓰이는 ResNet, ConvNeXt, RegNet 등 순수 합성곱(Convolutional) 모델까지 폭넓게 포함한다. 또한 이미지-텍스트(캡셔닝, OCR), 텍스트-이미지, 시각적 질의응답(VQA) 등 비전과 언어가 결합된 태스크도 지원한다.

개발자 경험을 위해 Pipelines 기능을 제공하여, 복잡한 구현 없이도 코드 몇 줄로 깊이 추정이나 VQA 등의 작업을 수행할 수 있도록 돕는다. 더불어 timm, diffusers 등 주요 라이브러리와의 통합을 통해 오픈소스 ML 생태계의 협업을 강화하고 있다.