Project Icon

efficientnetv2_rw_s.ra2_in1k

EfficientNetV2架构的轻量级图像分类模型

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。

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。
resnet18.tv_in1k - 精简高效的ResNet18图像分类模型
GithubHuggingfaceResNet图像分类开源项目模型模型架构深度学习神经网络
resnet18.tv_in1k是一个基于ResNet-B架构的图像分类模型,采用ReLU激活函数和7x7卷积池化层。模型参数量为11.7M,运算量为1.8 GMACs,兼具轻量和高效。支持图像分类、特征图提取和图像嵌入,可处理224x224尺寸图像。该模型使用ImageNet-1k数据集训练,是torchvision的原始权重模型,适用于需要平衡性能和资源的应用场景。
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。
tf_efficientnet_b3.ns_jft_in1k - 结合EfficientNet架构的神经网络图像处理模型
EfficientNetGithubHuggingfaceImageNet图像分类开源项目模型深度学习特征提取
该模型采用EfficientNet架构,通过Noisy Student半监督学习方法在ImageNet-1k和JFT-300m数据集训练。模型参数量1220万,支持300x300分辨率图像处理,可实现图像分类、特征提取和图像嵌入等功能。模型结合高效的网络架构和半监督学习技术,在图像处理任务中表现出色。
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。
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。
cspdarknet53.ra_in1k - CSP-DarkNet架构的图像分类和特征提取模型
CSPDarkNetGithubHuggingfaceImageNettimm图像分类开源项目模型深度学习
cspdarknet53.ra_in1k是基于CSP-DarkNet架构的图像分类模型,在ImageNet-1k数据集上训练。模型采用RandAugment数据增强和RMSProp优化器,拥有27.6M参数。支持256x256输入图像,可用于图像分类、特征图提取和图像嵌入。该模型在timm库中实现,为计算机视觉任务提供便捷解决方案。
resnet50_gn.a1h_in1k - ResNet-B架构图像分类模型结合先进训练方法
GithubHuggingfaceImageNetResNettimm图像分类开源项目模型神经网络
resnet50_gn.a1h_in1k是基于ResNet-B架构的图像分类模型,集成了多项先进训练技术。模型采用ReLU激活函数、单层7x7卷积与池化、1x1卷积快捷连接下采样等结构。在ImageNet-1k数据集上训练时,应用了LAMB优化器、增强型dropout、随机深度和RandAugment等方法。模型参数量为25.6M,GMACs为4.1,训练输入尺寸为224x224,测试输入尺寸为288x288。该模型可应用于图像分类、特征提取和图像嵌入等多种计算机视觉任务。
spnasnet_100.rmsp_in1k - 使用Single-Path NAS技术设计的轻量级图像分类模型
GithubHuggingfaceImageNetSPNasNettimm图像分类开源项目模型神经网络架构搜索
spnasnet_100.rmsp_in1k是基于Single-Path NAS技术的轻量级图像分类模型,在ImageNet-1k数据集上训练。模型仅有440万参数和0.3 GMACs,适合资源受限场景。支持图像分类、特征图提取和图像嵌入等应用。通过timm库可轻松加载此预训练模型进行推理或微调。模型采用RMSProp优化器和指数衰减学习率调度,在保持高效性的同时确保了分类性能。
rexnet_100.nav_in1k - 轻量级ReXNet图像分类模型 为资源受限场景提供高效解决方案
GithubHuggingfaceImageNet-1kReXNet图像分类开源项目模型模型比较特征提取
rexnet_100.nav_in1k是一款基于ReXNet架构的轻量级图像分类模型,在ImageNet-1k数据集上进行了预训练。该模型仅有4.8M参数和0.4 GMACs,适合在计算资源有限的环境中部署。它支持图像分类、特征图提取和图像嵌入等功能,为开发者提供多样化的应用选择。在ImageNet-1k验证集上,该模型展现出77.832%的Top-1准确率和93.886%的Top-5准确率,在轻量级模型中表现优异。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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