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

MobileNetV4 ImageNet Github 开源项目图像分类 timm Huggingface 预训练模型模型

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。

文档

regnety_120.sw_in12k_ft_in1k - 高级图像分类模型，优化大规模数据集的性能

GithubHuggingfaceRegNetY图像分类开源项目数据集模型特征提取预训练

RegNetY-12GF模型致力于图像分类，先在ImageNet-12k上预训练，再在ImageNet-1k上微调。其结构支持多项增强功能，如随机深度和梯度检查点，提高模型准确性和效率。基于timm库实现，广泛用于特征图提取和图像嵌入，适用于多种图像处理场景。

amc - 自动化模型压缩技术提升移动设备AI性能

AutoMLGithubImageNetMobileNet剪枝开源项目模型压缩

AMC (AutoML for Model Compression) 是一种创新的自动化模型压缩方法，专为优化移动设备上的深度学习模型而设计。该方法通过自动搜索剪枝策略、导出压缩权重和微调，成功将MobileNet等模型的计算量减少50%，同时维持或提升准确率。AMC不仅适用于MobileNet-V1和V2，还提供PyTorch和TensorFlow格式的压缩模型，为移动设备上的高效AI应用提供了新的可能性。

resnet152d.ra2_in1k - ResNet152d.ra2_in1k模型在图像分类中的应用与特点

GithubHuggingfaceImageNet-1kRandAugmentResNet-Dtimm图像分类开源项目模型

ResNet152d.ra2_in1k是基于ResNet-D架构的图像分类模型，采用ReLU激活和三层3x3卷积stem结构。该模型在ImageNet-1k上训练，并使用RandAugment RA2策略、RMSProp优化器和EMA权重平均进行优化，支持动态学习率调度和特征映射提取，其性能在复杂图像处理任务中表现优秀。

vit_base_patch32_clip_384.openai_ft_in12k_in1k - 采用ViT技术的视觉Transformer模型

Fine-tuningGithubHuggingfaceVision Transformertimm图像分类开源项目模型预训练

这款视觉Transformer图像分类模型由OpenAI基于WIT-400M数据集使用CLIP技术预训练，并经过ImageNet-12k和ImageNet-1k数据集微调。作为一种强大的图像分类和嵌入模型，其参数量达88.3M，计算量为12.7 GMACs，设计用于384x384图像。支持通过`timm`库接口调用，满足多种视觉任务需求，在图像识别和分析领域表现出稳定性能。

vit_tiny_patch16_224.augreg_in21k - 增强与正则化的ViT图像分类模型

GithubHuggingfaceImageNet-21kVision Transformer图像分类开源项目数据增强模型特征骨干

这是一个高效的Vision Transformer（ViT）图像分类模型，经过增强和正则化，在ImageNet-21k上进行了训练。由论文作者在JAX中开发，并由Ross Wightman移植到PyTorch。模型的类型包括图像分类和特征提取，参数量为9.7百万，1.1 GMACs，处理图像尺寸为224x224。项目中有图像分类和嵌入的代码示例，以及支持特定数据转换的功能，提升模型性能。该模型适用于高效图像识别应用，并提供开发者比较参考的方法。

resnest14d.gluon_in1k - ResNeSt14d：基于分割注意力机制的深度学习模型

GithubHuggingfaceImageNet-1kResNeSttimm图像分类开源项目模型特征提取

ResNeSt14d是一款基于ResNet的分割注意力图像分类模型，由研究团队在ImageNet-1k数据集上训练。此模型拥有10.6M的参数和2.8 GMACs，支持224x224的图像尺寸。提供多种功能，包括图像分类、特征提取和图像嵌入。通过timm库实现预训练模型调用，支持快速有效的图像分析和计算机视觉任务。

resnet-152 - 深入解析ResNet-152在图像分类中的应用

GithubHuggingfaceResNet-152卷积神经网络图像分类图像识别开源项目模型深度学习

ResNet-152 v1.5模型在ImageNet-1k上预训练，采用224x224分辨率，改进后的下采样策略提升了模型的准确性。该模型可用于图像分类，亦可在模型中心找到特定任务的微调版本。

swin_large_patch4_window7_224.ms_in22k_ft_in1k - 分层视觉Transformer模型基于ImageNet-22k预训练和ImageNet-1k微调

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

swin_large_patch4_window7_224.ms_in22k_ft_in1k是基于Swin Transformer架构的图像分类模型。该模型在ImageNet-22k上预训练，ImageNet-1k上微调，拥有1.965亿参数，34.5 GMACs计算量。它支持224x224输入图像，适用于图像分类、特征提取和图像嵌入。模型采用分层结构和移位窗口机制，平衡了计算效率和性能。

DFN2B-CLIP-ViT-L-14 - 基于CLIP架构的大规模数据集训练图像识别模型

CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉

DFN2B-CLIP-ViT-L-14是一个基于CLIP架构的图像识别模型，采用数据过滤网络从128亿图像-文本对中筛选20亿高质量样本进行训练。该模型在多个基准测试中平均准确率达66.86%，可用于零样本图像分类等任务。模型提供OpenCLIP接口，便于开发者使用。DFN2B-CLIP-ViT-L-14体现了大规模数据集和先进算法在计算机视觉领域的应用，为图像理解提供有力支持。

imgclsmob - 深度学习卷积网络的研究与实现，涵盖多种框架和预训练模型

GithubMXNetPyTorchTensorFlowcomputer visiondeep learning开源项目

此存储库专注于计算机视觉领域的卷积网络研究，包含多种分类、分割、检测和姿态估计模型的实现，支持MXNet/Gluon、PyTorch、Chainer、Keras和TensorFlow等框架。提供了训练、评估和转换的脚本以及针对不同框架的PIP包，模型预训练于ImageNet、CIFAR-10/100、SVHN等数据集，能够自动加载预训练权重。

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