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。

convnextv2_tiny.fcmae_ft_in1k - ConvNeXt-V2轻量级图像分类和特征提取模型
ConvNeXt-V2GithubHuggingfaceImageNet-1ktimm图像分类开源项目模型预训练模型
convnextv2_tiny.fcmae_ft_in1k是基于ConvNeXt-V2架构的轻量级图像分类模型。该模型通过全卷积masked自编码器预训练,在ImageNet-1k数据集微调,拥有2860万参数。它可用于图像分类、特征图提取和图像嵌入,在ImageNet验证集上Top-1准确率达82.92%。这是一个在性能和效率间取得平衡的优秀选择。
mixnet_l.ft_in1k - MixNet-L:轻量级混合深度卷积网络实现高效图像分类
GithubHuggingfaceImageNet-1kMixNettimm图像分类开源项目模型特征提取
mixnet_l.ft_in1k是一个在ImageNet-1k数据集上微调的MixNet架构图像分类模型。该模型采用混合深度卷积核,参数量仅为7.3M,计算量为0.6 GMACs,实现了高效的分类性能。支持224x224像素输入,可用于图像分类、特征提取和生成图像嵌入。作为一个轻量级yet性能出色的视觉特征提取器,适用于多种计算机视觉应用场景。
mobilenetv3_small_050.lamb_in1k - 探索资源有效利用的MobileNet-v3图像分类模型
GithubHuggingfaceImageNet-1kMobileNet-v3timm图像分类开源项目模型特征提取
该项目展示了在ImageNet-1k上训练的MobileNet-v3图像分类模型,强调其在资源受限环境中的适用性。使用LAMB优化器和EMA权重平均化,该模型参照ResNet Strikes Back设计,通过简化预处理流程,支持图像分类、特征提取和图像嵌入等多种深度学习任务,增强模型性能。
mobilenetv4_conv_aa_large.e230_r448_in12k_ft_in1k - 高效图像分类与特征提取模型 支持移动设备应用
GithubHuggingfaceImageNetMobileNetV4timm图像分类开源项目模型预训练模型
MobileNet-V4图像分类模型经过ImageNet-12k预训练和ImageNet-1k精细调整,优化了参数和图像处理能力。该模型适用于移动设备,并支持特征提取和图像嵌入。凭借出色的Top-1准确率和参数效率,它在同类模型中表现突出,提供快速准确的图像识别能力。
sebotnet33ts_256.a1h_in1k - 结合ResNet与自注意力的高性能图像分类模型
BotNetGithubHuggingfaceImageNet-1ktimm图像分类开源项目模型深度学习
sebotnet33ts_256.a1h_in1k是一个融合ResNet架构和BotNet设计的图像分类模型,整合了Squeeze-and-Excitation通道注意力机制。该模型在ImageNet-1k数据集上训练,通过timm库实现。它采用LAMB优化器、强化的dropout和随机深度技术,以及余弦学习率调度。模型提供灵活的配置选项,包括块/阶段布局和注意力层等,适用于图像分类和特征提取任务。其平衡了性能和训练效率,为计算机视觉领域提供了实用的解决方案。
res2net101_26w_4s.in1k - Res2Net101多尺度骨干网络实现高效图像分类和特征提取
GithubHuggingfaceImageNet-1kRes2Nettimm图像分类开源项目模型特征提取
res2net101_26w_4s.in1k是基于Res2Net架构的图像分类模型,通过ImageNet-1k数据集训练而成。该模型采用多尺度设计,在图像分类和特征提取方面表现优异。它拥有4520万个参数,适用于224x224尺寸的图像处理。除图像分类外,还支持特征图提取和图像嵌入功能。研究人员和开发者可通过timm库便捷地将此模型应用于多种计算机视觉任务。
densenet121.ra_in1k - 基于RandAugment优化的DenseNet图像分类预训练模型
DenseNetGithubHuggingfaceImageNet图像分类开源项目模型深度学习特征提取
DenseNet121是一个在ImageNet-1k数据集上预训练的图像分类模型,采用RandAugment数据增强策略优化。模型参数量为800万,支持多种输入分辨率,可用于图像分类、特征提取和embedding生成等计算机视觉任务。
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。
inception_next_tiny.sail_in1k - InceptionNeXt架构的轻量级图像分类模型
GithubHuggingfaceImageNet-1kInceptionNeXttimm图像分类开源项目模型特征提取
inception_next_tiny.sail_in1k是基于InceptionNeXt架构的图像分类模型,在ImageNet-1k数据集上训练。该模型结合Inception和ConvNeXt的特点,提供图像分类、特征图提取和图像嵌入功能。模型参数为28.1M,GMACs为4.2,适用于224x224大小的图像输入。它通过timm库提供简洁的API,支持预训练权重,可轻松应用于多种计算机视觉任务。
gmlp_s16_224.ra3_in1k - gMLP架构的ImageNet-1k图像分类模型
GithubHuggingfaceImageNetgMLPtimm图像分类开源项目模型深度学习模型
gmlp_s16_224.ra3_in1k是一个基于gMLP架构的图像分类模型,在ImageNet-1k数据集上训练。该模型在timm库中实现,参数量为1940万,计算量为4.4 GMACs,适用于224x224像素的图像输入。模型可用于图像分类和特征提取,支持top-5预测和图像嵌入生成。这一模型源自'Pay Attention to MLPs'研究,为计算机视觉领域提供了一种高效的MLP架构方案。
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