Project Icon

efficientnet_b1.ra4_e3600_r240_in1k

EfficientNet B1轻量级图像分类模型

efficientnet_b1.ra4_e3600_r240_in1k是基于EfficientNet架构的轻量级图像分类模型。该模型在ImageNet-1k数据集上训练,参数量为7.79M,在240x240输入尺寸下达到81.440%的Top-1准确率。它在模型大小和性能之间取得平衡,适用于计算资源有限的应用场景,也可作为特征提取器用于其他计算机视觉任务。

mobilenetv3_small_100.lamb_in1k - MobileNetV3小型模型:轻量级移动设备图像分类方案
GithubHuggingfaceImageNet-1kMobileNet-v3timm图像分类开源项目模型特征提取
MobileNetV3小型模型是一款基于timm库在ImageNet-1k数据集上训练的轻量级图像分类模型。它采用LAMB优化器和EMA权重平均技术,具有2.5M参数和0.1 GMACs的低计算量。该模型支持224x224像素输入,可用于图像分类、特征提取和嵌入生成,适合在移动设备上部署高效的视觉识别应用。
resnet18.a3_in1k - 简化且高效的图像分类模型,支持轻松集成
GithubHuggingfaceImageNetResNet图像分类开源项目模型特征提取神经网络
ResNet18的最新变体,在ImageNet-1k数据集上使用A3训练方法进行优化。模型具有ReLU激活函数、7x7卷积与池化、以及1x1卷积下采样设计,增强图像分类精度和特征提取能力,适合影像识别和深度学习项目应用。参数数量为11.7M,GMACs为0.9,适用于中小规模项目,易于集成部署。
tf_mobilenetv3_large_075.in1k - MobileNet-v3大规模图像分类与特征提取模型
GithubHuggingfaceImageNet-1kMobileNetV3图像分类开源项目模型深度学习特征图提取
该模型为MobileNet-v3图像分类模型,基于ImageNet-1k数据集在Tensorflow上训练,并由Ross Wightman移植至PyTorch实现。使用224x224图像,拥有4.0百万参数和0.2 GMACs的效率。提供代码示例,帮助实现图像分类、特征提取和图像嵌入。更详细的比较信息可于timm项目页面查阅。
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。
ese_vovnet39b.ra_in1k - 高效实时的VoVNet-v2图像分类解决方案
GithubHuggingfaceImageNet-1kVoVNet-v2timm图像分类开源项目模型特征提取
VoVNet-v2是一种预训练于ImageNet-1k的图像分类模型,含高效计算和低能耗优点,并采用RandAugment优化。适用于特征骨干网络,支持图像分类、特征提取和图像嵌入。其关键性能包括24.6M参数、7.1 GMACs等。通过`timm`库,用户可以实现高效的图像分类和特征提取。模型使用ResNet Strikes Back的训练方案,提高了准确度和应用多样性。
inception_resnet_v2.tf_in1k - Inception-ResNet-v2架构的图像分类与特征提取模型
GithubHuggingfaceImageNet-1kinception_resnet_v2timm图像分类开源项目模型特征提取
inception_resnet_v2.tf_in1k是基于Inception-ResNet-v2架构的图像分类模型,在ImageNet-1k数据集上训练。模型拥有5580万参数,13.2 GMACs计算量,适用于299x299像素的输入图像。除图像分类外,该模型还支持特征图提取和图像嵌入功能。它在保持较低计算复杂度的同时提供高精度图像识别能力,适用于多种计算机视觉任务。
resnet101.tv_in1k - 采用ResNet101架构的高效图像分类和特征提取模型
GithubHuggingfaceImageNetresnet101.tv_in1k图像分类开源项目模型深度学习特征提取
resnet101.tv_in1k是一个基于ResNet101架构的图像分类模型,搭载ReLU激活、单层7x7卷积池化和1x1卷积下采样等特性,经过ImageNet-1k数据集训练,可用于图像特征提取和分类。在深度残差学习的加持下,该模型在特征提取和分类任务中表现突出,适合用于学术研究和商用产品开发。
resnet152.a1h_in1k - ResNet152图像分类模型 基于ResNet Strikes Back改进架构
GithubHuggingfaceResNettimm图像分类开源项目模型深度学习神经网络
resnet152.a1h_in1k是基于ResNet Strikes Back改进的ResNet152模型。该模型采用ReLU激活函数、单层7x7卷积加池化、1x1卷积shortcut下采样等特性,在ImageNet-1k数据集上训练。模型参数量60.2M,GMACs 11.6,激活大小22.6M。288x288图像输入下Top-1准确率83.46%,Top-5准确率96.54%。可用于图像分类和特征提取。
resnet18.fb_swsl_ig1b_ft_in1k - 基于ResNet-B的ReLU激活图像分类模型
GithubHuggingfaceImageNet-1kResNet-Btimm库半弱监督学习图像分类开源项目模型
本项目展示ResNet-B模型,用于图像分类,特征包括ReLU激活、7x7卷积池化和1x1卷积下采样。模型在Instagram-1B数据集上以半监督学习预训练,并在ImageNet-1k数据集上微调,适用于特征提取和图像嵌入。
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。
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