ResNet50 остаётся одной из самых востребованных свёрточных нейросетей в задачах компьютерного зрения, а её предобученные веса (weights) превратились в своеобразный отраслевой стандарт. Архитектура с пятьюдесятью слоями и остаточными связями была представлена исследователями Microsoft в 2015 году, но именно доступность готовых наборов параметров сделала модель по-настоящему массовой. Сегодня ResNet50 weights используются повсеместно — от академических экспериментов до промышленных систем распознавания. Самый известный набор весов получен путём обучения модели на датасете ImageNet, включающем более миллиона изображений и тысячу классов. Такие веса распространяются вместе с популярными фреймворками: PyTorch предоставляет их через модуль torchvision.models, TensorFlow и Keras — через tf.keras.applications. Помимо классической версии, существуют обновлённые варианты ImageNet-1K V2 от команды PyTorch, обеспечивающие более высокую точность за счёт улучшенных рецептов обучения, включая аугментации, mixup и cosine learning rate. Отдельного внимания заслуживают веса, полученные методами самообучения и слабой супервизии. Facebook AI выпустила варианты SWSL и SSL, обученные на сотнях миллионов изображений из Instagram с использованием хэштегов в качестве слабых меток. Такие наборы параметров демонстрируют заметно лучшую обобщающую способность при переносе на смежные задачи. Не менее интересны веса, полученные через контрастное обучение — SimCLR, MoCo, BYOL и SwAV предлагают чекпоинты ResNet50, которые работают почти на уровне супервизированных аналогов, но не требуют размеченных данных. Размер файла с весами составляет около 98 мегабайт в формате float32, что делает модель достаточно компактной для развёртывания. При этом существуют квантизованные версии в int8, уменьшающие объём в несколько раз и ускоряющие инференс на CPU и мобильных устройствах. Производители оборудования, включая NVIDIA, Intel и Qualcomm, поставляют оптимизированные варианты весов под собственные ускорители — TensorRT, OpenVINO и SNPE соответственно. В практическом применении ResNet50 weights чаще всего используются как стартовая точка для transfer learning. Заморозка ранних слоёв и дообучение последних позволяет адаптировать модель под медицинскую визуализацию, дефектоскопию, ретейл-аналитику или биометрию даже при ограниченных датасетах. Базовая точность top-1 на ImageNet составляет около 76 процентов, а с современными рецептами достигает 80,8 процента, что остаётся конкурентоспособным результатом на фоне более тяжёлых архитектур. Стоит учитывать и лицензионные нюансы. Большинство официальных весов распространяется под разрешительными лицензиями BSD или Apache 2.0, однако варианты, обученные на закрытых данных, могут иметь ограничения на коммерческое использование. Перед интеграцией в продакшн всегда полезно проверить происхождение чекпоинта и условия его распространения.