convnext_tiny.in12k

ConvNeXt架构图像分类模型适用于多种视觉任务

模型图像分类 ImageNet-12k 模型比较 Github timm ConvNeXt Huggingface 开源项目

convnext_tiny.in12k是基于ConvNeXt架构的图像分类模型,在ImageNet-12k数据集上训练。该模型支持图像分类、特征图提取和图像嵌入等应用,参数量36.9M,GMACs 4.5,224x224分辨率下Top1精度84.186%。性能与效率均衡,适用于多种计算机视觉任务。

文档

vit_tiny_patch16_384.augreg_in21k_ft_in1k - ViT-Tiny 轻量级视觉转换器模型实现图像分类与特征提取

GithubHuggingfaceImageNetVision Transformertimm图像分类开源项目模型深度学习

ViT-Tiny是一款轻量级视觉转换器模型，专为图像分类和特征提取而设计。该模型在ImageNet-21k上预训练，并在ImageNet-1k上微调，采用了先进的数据增强和正则化技术。模型仅有5.8M参数，能处理384x384尺寸的图像，通过timm库可轻松加载用于推理或进一步微调。ViT-Tiny在保持高性能的同时，大幅降低了计算资源需求，适合各类图像识别应用场景。

convit_base.fb_in1k - ConViT架构图像分类模型在ImageNet-1k上的应用

ConViTGithubHuggingfaceImageNet-1ktimm图像分类开源项目模型深度学习

convit_base.fb_in1k是一个在ImageNet-1k数据集上训练的ConViT架构图像分类模型。该模型融合卷积神经网络和视觉Transformer技术，拥有8650万参数，计算量为17.5 GMACs。它支持224x224尺寸的输入图像，可用于图像分类和特征提取。研究者可通过timm库加载此预训练模型，进行图像分类或提取图像嵌入向量等任务。

tf_mixnet_l.in1k - MixNet架构的轻量级图像分类模型

GithubHuggingfaceImageNetMixNetPyTorchtimm图像分类开源项目模型

tf_mixnet_l.in1k是一个基于MixNet架构的图像分类模型，在ImageNet-1k数据集上训练。该模型采用混合深度卷积核，参数量为7.3M，计算量为0.6 GMACs。它支持图像分类、特征图提取和图像嵌入等功能，适用于224x224像素的输入图像。tf_mixnet_l.in1k在保持较小模型规模的同时，为多种计算机视觉任务提供了有效的解决方案。

convit_small.fb_in1k - ConViT结合软卷积特性的图像分类框架

ConViTGithubHuggingfaceImageNet-1k图像分类开源项目模型深度学习神经网络

ConViT是一个在ImageNet-1k数据集上训练的图像分类模型，结合了CNN和Transformer优势。模型参数量2780万，支持224x224图像输入，可用于分类和特征提取任务。模型提供预训练权重，适用于多种计算机视觉应用场景。

dla102.in1k - 深层聚合架构的图像分类模型支持多种计算机视觉应用

GithubHuggingfaceImageNettimm图像分类开源项目模型深度层聚合特征提取

dla102.in1k是基于深层聚合架构的图像分类模型，在ImageNet-1k数据集上训练。模型拥有3330万参数，支持224x224像素输入。除图像分类外，还可用于特征图提取和图像嵌入。通过timm库可方便地调用此预训练模型，为计算机视觉应用提供灵活基础。模型在图像分类、特征提取等任务中表现出色，适用于多种视觉分析场景。

vit_tiny_patch16_224.augreg_in21k_ft_in1k - 基于ViT架构的轻量级图像分类与特征提取模型

GithubHuggingfaceImageNetVision Transformertimm图像分类开源项目模型特征提取

vit_tiny_patch16_224.augreg_in21k_ft_in1k是一个轻量级Vision Transformer模型，专为图像分类和特征提取而设计。该模型在ImageNet-21k上预训练，并在ImageNet-1k上微调，采用了增强的数据增强和正则化技术。它拥有570万参数，能处理224x224尺寸的图像，在保持高效性能的同时提供准确的视觉分析能力。

xception41.tf_in1k - Xception架构的高效图像分类神经网络

GithubHuggingfaceImageNet-1kXceptiontimm图像分类开源项目模型深度学习

xception41.tf_in1k是一款基于Xception架构的图像分类模型，在ImageNet-1k数据集上训练而成。该模型采用深度可分离卷积技术，拥有2700万参数和9.3 GMACs的计算量，支持图像分类、特征图提取和图像嵌入等功能。通过timm库，研究者可以方便地加载预训练模型进行推理或微调。xception41.tf_in1k在维持高精度的同时优化了计算效率，适用于多种计算机视觉任务。

efficientnetv2_rw_s.ra2_in1k - EfficientNetV2架构的轻量级图像分类模型

EfficientNetV2GithubHuggingfaceImageNet图像分类开源项目机器学习模型模型深度学习

基于EfficientNetV2架构的图像分类模型，通过timm框架实现，使用RandAugment数据增强和RMSProp优化器在ImageNet-1k数据集训练。模型参数量23.9M，计算量4.9 GMACs，训练分辨率288x288，测试分辨率384x384。支持图像分类、特征图提取和图像嵌入等功能。

tf_efficientnetv2_s.in21k_ft_in1k - EfficientNet-v2图像分类模型基于双重ImageNet数据集训练

EfficientNet-v2GithubHuggingfaceImageNettimm图像分类开源项目模型特征提取

这是一个基于EfficientNet-v2架构的图像分类模型，采用ImageNet-21k预训练和ImageNet-1k微调策略。模型参数量为2150万，计算量为5.4 GMACs，支持图像分类、特征提取和图像嵌入等多种应用。训练采用300x300分辨率，测试时提升至384x384，在性能和效率之间实现良好平衡。该模型最初由论文作者在Tensorflow中实现，后由Ross Wightman移植至PyTorch框架。

mobilenetv4_conv_small.e2400_r224_in1k - MobileNet-V4图像分类模型简介

GithubHuggingfaceImageNetMobileNetV4PyTorchtimm图像分类开源项目模型

MobileNetV4是一个利用ImageNet-1k数据集训练的图像分类模型，具有3.8M参数和0.2 GMACs的复杂度。该模型由timm库优化，使用了与MobileNet-V4论文一致的超参数。其训练和测试图像尺寸分别为224x224和256x256，适用于移动平台。更多信息可在PyTorch Image Models和相关论文中找到。

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com