懂AI
convnext_small.in12k_ft_in1k_384

convnext_small.in12k_ft_in1k_384

高效的ConvNeXt图像分类与特征提取预训练模型介绍

ConvNeXt图像分类模型，通过timm库在ImageNet-12k及ImageNet-1k上进行预训练与微调，提供图像特征提取与分类功能。支持TPU和8xGPU训练方式，适合大规模数据集处理。模型拥有50.2M参数和25.6 GMACs，支持384x384图像输入，并兼具特征图提取与图像嵌入功能，适用于高效图像处理需求。更多性能数据及结果可在timm库查阅。

开源项目模型timmImageNetGithubHuggingfaceConvNeXt预训练图像分类
访问官网GitHubHugging Face论文

项目介绍：ConvNeXt 小模型（convnext_small.in12k_ft_in1k_384）

ConvNeXt 小模型是一种用于图像分类的深度学习模型。该模型经过在ImageNet-12k和ImageNet-1k数据集上的预训练和微调，展现出卓越的图像识别能力。

模型背景

ConvNeXt 系列模型是具有现代化结构的卷积神经网络之一，旨在优化和提升传统卷积网络的性能。convnext_small.in12k_ft_in1k_384是其小型版本，适合应用于多种图像分类任务。

数据集与训练

  • 预训练数据集： ImageNet-12k （ImageNet-22k 的子集，包含11821个类）。
  • 微调数据集： ImageNet-1k。
  • 硬件支持： 预训练在TPUs上完成，由谷歌TRC计划支持；微调则在拥有8个GPU的Lambda Labs云计算实例上完成。

模型细节

  • 模型类型： 图像分类/特征骨干网络。
  • 参数统计：
    • 参数数量（百万）：50.2
    • GMACs： 25.6
    • 活跃神经元（百万）：63.4
    • 输入图像尺寸：384 x 384

应用场景

图像分类

ConvNeXt 小模型能够在输入图像上进行特征提取与分类，实现对复杂图像素材的高效识别。这对于自动标签、内容管理系统以及各类智能应用提供了可靠支持。

特征图提取

其强大的特征提取能力允许用户从图像中提取多层次特征图。这在需要深入了解图像细节或者进行更复杂的视频分析与理解时非常有用。

图像嵌入

除了分类和特征提取，模型还支持生成图像嵌入向量，这些向量可以应用于图像搜索、相似度计算等任务，有助于提升多媒体内容的智能处理能力。

模型比较

convnext_small.in12k_ft_in1k_384模型在多个参数指标和速度测试中表现优良，同时具有相对较少的参数数量和计算复杂度，使其能在保持高性能的前提下实现较高的处理效率。

许可证与免责声明

ConvNeXt 小模型的发布在Apache 2.0许可证下，使用者可以自由地在合法范畴内对其进行利用、修改与发布。这一开放策略有助于促进学术研究与工业应用的发展。

在当前科技快速发展的背景下，通过改进传统卷积网络架构，ConvNeXt系列模型在较小的参数量下依旧能实现出色的视觉任务性能，为人工智能领域的从业者和研究者带来了更多的可能性与启发。

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