Project Icon

resnet-18

深度残差学习实现图像识别突破

ResNet-18是一种基于深度残差学习的图像分类模型,在ImageNet-1k数据集上训练。通过引入残差连接,该模型突破了深度网络训练的限制,实现了高达1000层的网络结构。ResNet-18在2015年ILSVRC和COCO竞赛中的胜利,标志着计算机视觉领域的重要进展。这个模型适用于多种图像分类任务,并支持快速部署和微调。研究者和开发者可以通过Hugging Face的transformers库轻松使用ResNet-18进行图像识别研究和应用开发。

resnext101_32x16d.fb_swsl_ig1b_ft_in1k - Instagram预训练的ResNeXt模型用于图像分类和特征提取
GithubHuggingfaceResNeXttimm图像分类开源项目模型深度学习预训练模型
该模型基于ResNeXt-B架构,在Instagram-1B数据集上进行半监督预训练,并在ImageNet-1k上微调。模型拥有1.94亿参数,接受224x224像素输入图像,适用于图像分类、特征图提取和图像嵌入任务。它采用ReLU激活函数、单层7x7卷积和池化,以及1x1卷积的shortcut连接。在ImageNet验证集上,模型达到83.35%的Top-1准确率,展现出优秀的性能。
vgg19.tv_in1k - VGG19深度卷积网络在ImageNet数据集上的图像分类与特征提取
GithubHuggingfaceImageNet-1kVGG图像分类开源项目模型深度卷积网络特征提取
针对图像识别任务,VGG19模型在ImageNet-1k数据集上采用原始的torchvision权重训练,支持224x224像素的输入图像。其140M+参数配置使得模型能够处理复杂的图像特征,包括分类、特征提取和嵌入应用,只需适用模型提供的转换配置即可实现高效部署。
convnext_base.fb_in22k_ft_in1k_384 - 高效的ConvNeXt图像分类解决方案
ConvNeXtGithubHuggingfaceImageNet图像分类开源项目模型模型对比特征提取
ConvNeXt图像分类模型经过ImageNet-22k的预训练和ImageNet-1k的微调,以384x384分辨率高效执行分类任务。拥有88.6M参数和45.2 GMACs,支持图像分类、特征提取和图像嵌入等功能。适用于多种机器学习任务,其高分辨率处理能力使其在深度学习领域具有良好表现。
convnextv2-base-22k-384 - 基于ImageNet-22K数据集的ConvNeXt V2全卷积模型
ConvNeXt V2GithubHuggingfaceImageNet图像分类开源项目模型自动编码器视觉
ConvNeXt V2模型通过FCMAE框架和新引入的GRN层提高卷积网络在图像分类中的效果,基于ImageNet-22K数据集训练,支持高分辨率和出色性能表现,适用于多种识别任务,可用于直接应用或微调以满足特定需求。
inceptionnext - 结合Inception和ConvNeXt优势的高效图像识别模型
ConvNeXtGithubInceptionNeXt卷积神经网络图像分类开源项目深度学习
InceptionNeXt是一种创新的图像识别模型,融合了Inception的设计理念和ConvNeXt的架构。通过分解大型深度卷积核,该模型在速度和准确率方面取得了平衡,达到了ResNet-50的速度和ConvNeXt-T的精度。在ImageNet数据集上,InceptionNeXt展现出卓越性能,推动了计算机视觉领域的发展。研究团队提供了多种规模的预训练模型,适用于不同的应用场景。
resnet-tiny-beans - 基于ResNet的轻量级豆类识别模型
GithubHuggingfacebeans小型模型开源项目数据集模型模型训练测试
一个基于豆类数据集训练的轻量级识别模型,采用精简架构设计,主要用于快速验证和原型测试。模型具有小型化和灵活部署的特点,能在保持基本识别功能的同时实现最小规模。
convnextv2_huge.fcmae_ft_in22k_in1k_384 - 高级卷积网络用于图像分类与特征提取
ConvNeXt-V2GithubHuggingfaceImageNet-1k图像分类开源项目模型特征骨干预训练模型
ConvNeXt-V2是一种先进的卷积网络模型,专为图像分类与特征提取而设计。此模型通过全卷积掩码自编码器进行预训练,并在ImageNet-22k和ImageNet-1k上进行微调。具备660.3M参数和338.0 GMACs的计算成本,专为384x384大小的图像设计,确保高效处理与高精度结果。其在主流图像分类任务中的表现卓越,达到88.668的Top-1准确率和98.738的Top-5准确率,其框架优化适配多种计算场景。
efficientnet_b5.sw_in12k_ft_in1k - EfficientNet-加强版:适用于图像分类与特征提取的高效模型
EfficientNetGithubHuggingfaceImageNettimm图像分类开源项目模型特征提取
EfficientNet模型结合了Swin Transformer的优化策略,经过ImageNet-12k预训练及ImageNet-1k微调,适用于图像识别、特征提取和嵌入生成。该模型使用AdamW优化器、梯度裁剪和余弦退火学习率等技术,提供高效的图像分类解决方案。
convnextv2_tiny.fcmae_ft_in22k_in1k_384 - ConvNeXt-V2:精准高效的图像分类模型
ConvNeXt V2GithubHuggingfaceImageNet卷积网络图像分类开源项目模型自动编码器
ConvNeXt-V2 模型具备高效的图像分类能力,通过全卷积掩码自编码器架构进行预训练,并在 ImageNet-22k 和 ImageNet-1k 数据集上进行精调。该模型具备 28.6M 参数量、13.1 GMACs 计算量,支持 384x384 的图像尺寸。通过 timm 库使用,支持图像分类、特征图提取和图像嵌入等多种视觉任务。
efficientnetv2_rw_m.agc_in1k - EfficientNetV2模型:图像分类与多功能特征提取
EfficientNet-v2GithubHuggingfaceImageNet-1ktimm图像分类开源项目模型模型使用
EfficientNetV2是一个在timm库中实现的高效图像分类模型。通过使用以ResNet Strikes Back为基础的训练策略和SGD优化器(带Nesterov动量),结合自适应梯度剪裁,模型在ImageNet-1k数据集上进行训练。这一架构轻量且强大,支持包括图像分类、特征提取和图像嵌入的多种图像处理任务。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号