Project Icon

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

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。

dpn107.mx_in1k - Dual-Path Networks图像分类模型:ImageNet-1k数据集的高性能解决方案
DPNGithubHuggingfaceImageNet-1ktimm图像分类开源项目模型特征提取
dpn107.mx_in1k是一款基于Dual-Path Networks架构的图像分类模型,针对ImageNet-1k数据集优化。该模型拥有8690万参数和18.4 GMACs计算量,支持224x224像素的图像输入。最初由论文作者在MXNet框架上训练,后经Ross Wightman移植至PyTorch。除图像分类外,还可用于特征图提取和图像嵌入,为各种计算机视觉应用提供有力支持。
dm_nfnet_f0.dm_in1k - NFNet:无归一化层的高效图像分类模型
GithubHuggingfaceImageNet-1kNFNettimm图像分类开源项目模型特征提取
dm_nfnet_f0.dm_in1k是一款基于NFNet(无归一化网络)架构的图像分类模型。该模型在ImageNet-1k数据集上训练,拥有7150万参数,计算量为7.2 GMACs。通过采用Scaled Weight Standardization技术和策略性放置的标量增益,该模型无需使用归一化层即可实现高性能。dm_nfnet_f0.dm_in1k适用于图像分类、特征提取和图像嵌入等多种任务,为大规模图像识别应用提供了高效解决方案。
resmlp_12_224.fb_in1k - ResMLP架构的数据高效图像分类模型
GithubHuggingfaceImageNetResMLP图像分类开源项目模型深度学习神经网络
resmlp_12_224.fb_in1k是Facebook Research团队基于ResMLP架构开发的图像分类模型,在ImageNet-1k数据集上训练。该模型采用前馈网络结构,拥有1540万参数,支持224x224像素图像处理。除图像分类外,还可作为特征提取骨干网络使用。通过timm库,研究者可方便地加载预训练模型进行图像分类或特征提取。该模型展现了数据高效训练在视觉任务中的潜力,为计算机视觉领域提供了新的解决方案。
tf_mobilenetv3_small_minimal_100.in1k - MobileNetV3小型化模型:高效移动端图像分类
GithubHuggingfaceImageNet-1kMobileNet-v3timm图像分类开源项目模型特征提取
tf_mobilenetv3_small_minimal_100.in1k是一款针对移动设备优化的轻量级图像分类模型。基于MobileNet-v3架构,该模型在ImageNet-1k数据集上训练,仅有200万参数和0.1 GMACs,适用于224x224像素的图像输入。除图像分类外,它还可作为特征提取器用于其他计算机视觉任务。通过timm库,开发者可以方便地加载预训练模型,实现图像分类、特征图提取和图像嵌入等功能。这个模型平衡了性能和效率,特别适合资源受限的移动应用场景。
densenet201.tv_in1k - DenseNet图像分类模型实现高效特征提取与精准分类
DenseNetGithubHuggingfaceImageNet图像分类开源项目模型深度学习计算机视觉
DenseNet201是一个在ImageNet-1k数据集上训练的图像分类模型。该模型拥有2000万参数,支持224x224像素输入,适用于图像分类、特征图提取和图像嵌入等任务。其密集连接的卷积网络结构不仅提供准确的分类结果,还能生成丰富的特征表示。模型通过timm库提供预训练权重,便于快速部署和使用。
hrnet_w18.ms_aug_in1k - HRNet W18图像分类模型 基于ImageNet-1k训练
GithubHRNetHuggingfaceImageNet-1ktimm图像分类开源项目模型特征提取
hrnet_w18.ms_aug_in1k是HRNet团队开发的图像分类模型,在ImageNet-1k数据集上训练。该模型拥有2130万参数,4.3 GMACs计算复杂度,可用于图像分类、特征图提取和图像嵌入。模型提供高分辨率视觉表征,适用于多种计算机视觉任务。通过timm库可方便地加载和使用这一预训练模型。
res2net50_14w_8s.in1k - Res2Net架构的多尺度骨干网络实现高效图像分类
GithubHuggingfaceImageNetRes2Nettimm图像分类开源项目模型深度学习模型
res2net50_14w_8s.in1k是基于Res2Net架构的图像分类模型,在ImageNet-1k数据集上训练。该模型采用多尺度ResNet结构,具有2510万参数,计算复杂度为4.2 GMACs。除图像分类外,还可作为特征提取器应用于其他计算机视觉任务。模型接受224x224像素的输入图像,并提供API支持图像分类、特征图提取和图像嵌入等功能。其高效的多尺度结构使其在保持准确性的同时降低了计算成本。
resnet18.a1_in1k - ResNet18图像分类模型 适用于多种计算机视觉任务
GithubHuggingfaceResNettimm图像分类开源项目模型深度学习神经网络
resnet18.a1_in1k是基于ResNet-B架构的图像分类模型,在ImageNet-1k数据集上训练。它采用ReLU激活函数、单层7x7卷积等特性,支持图像分类、特征提取和嵌入等任务。该模型有1170万参数,在224x224分辨率下计算量为1.8 GMACs,可用于多种计算机视觉应用。
pit_b_224.in1k - 基于池化的视觉Transformer图像分类模型PiT
GithubHuggingfaceImageNet-1kPiTtimm图像分类开源项目模型特征提取
pit_b_224.in1k是一个基于池化的视觉Transformer(PiT)图像分类模型,在ImageNet-1k数据集上训练。该模型拥有7380万个参数,计算量为12.4 GMACs,支持224x224像素的输入图像。它可用于图像分类、特征图提取和图像嵌入等任务,在保持高精度的同时提高了计算效率。研究人员和开发者可通过timm库轻松加载并使用这个预训练模型。
wide_resnet101_2.tv_in1k - 宽残差网络101_2图像分类与特征提取功能
GithubHuggingfaceImageNet-1kReLU激活wide_resnet101_2.tv_in1k图像分类开源项目模型特征提取
Wide-ResNet101_2.tv_in1k是一种经ImageNet-1k数据训练的图像分类模型,采用ReLU激活、7x7卷积以及1x1卷积捷径降采样。该模型在图像分类和特征图提取方面表现优秀,可通过timm库轻松集成,是图像处理和计算机视觉领域的实用工具。
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