convnext_nano.in12k_ft_in1k

convnext_nano.in12k_ft_in1k

基于ConvNeXt架构的轻量级图像分类模型

convnext_nano.in12k_ft_in1k是基于ConvNeXt架构开发的轻量级图像分类模型,模型参数量1560万,在ImageNet-12k数据集预训练后在ImageNet-1k微调。支持图像分类、特征提取和嵌入向量生成等功能,适用于计算资源受限环境下的视觉任务。

ConvNeXtGithub模型ImageNet开源项目图像分类timmHuggingface特征提取

convnext_nano.in12k_ft_in1k项目介绍

项目概述

convnext_nano.in12k_ft_in1k是一个图像分类模型,属于ConvNeXt系列的一员。该模型由Ross Wightman开发,利用timm库在ImageNet-12k数据集上进行预训练,并在ImageNet-1k数据集上进行微调。这是一个轻量级但性能出色的模型,适用于各种图像分类任务。

模型特点

  1. 模型类型:图像分类/特征骨干网络
  2. 参数量:15.6百万
  3. GMACs(十亿次乘加运算):2.5
  4. 激活量:8.4百万
  5. 图像输入尺寸:
    • 训练时:224 x 224
    • 测试时:288 x 288

训练过程

模型的训练分为两个阶段:

  1. 预训练阶段:在ImageNet-12k数据集上进行,该数据集是完整ImageNet-22k的一个子集,包含11821个类别。这个阶段的训练得益于TRC(TPU Research Cloud)项目的支持,使用了TPU进行加速。

  2. 微调阶段:在ImageNet-1k数据集上进行,使用了8个GPU的Lambda Labs云实例来完成这一过程。

模型应用

convnext_nano.in12k_ft_in1k模型可以应用于多种场景:

  1. 图像分类:可以直接用于对图像进行分类,输出每个类别的概率。

  2. 特征图提取:通过设置features_only=True参数,模型可以输出多个尺度的特征图,这对于目标检测等任务非常有用。

  3. 图像嵌入:通过移除分类器层,模型可以输出图像的高维特征表示,这种嵌入可以用于图像检索、聚类等任务。

性能表现

在ImageNet-1k验证集上,convnext_nano.in12k_ft_in1k模型的top-1准确率达到82.282%,top-5准确率达到96.344%。这个性能在轻量级模型中表现出色,尤其考虑到其仅有15.59M的参数量。

使用便利性

该模型可以通过timm库轻松加载和使用。timm库提供了便捷的接口来创建模型、应用预处理变换,以及进行推理。用户可以根据自己的需求选择使用预训练权重或从头开始训练。

总结

convnext_nano.in12k_ft_in1k是一个轻量级但性能强大的图像分类模型。它在保持较小模型尺寸的同时,通过在大规模数据集上的预训练和精细调整,实现了优秀的分类性能。这使得它非常适合在资源受限的环境中应用,如移动设备或边缘计算设备。无论是直接用于图像分类,还是作为其他视觉任务的特征提取器,这个模型都展现出了很高的实用价值。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多