懂AI
regnety_120.sw_in12k_ft_in1k

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

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。

预训练图像分类RegNetY开源项目模型Huggingface特征提取数据集Github
GitHubHugging Face论文

项目简介：regnety_120.sw_in12k_ft_in1k

regnety_120.sw_in12k_ft_in1k 是一个用于图像分类的深度学习模型。这一模型属于RegNetY系列，专为图像分类任务而设计。它由Ross Wightman基于timm库实现，采用ImageNet-12k进行了预训练，并在ImageNet-1k上进行了微调。

模型特点

此RegNetY模型在实现过程中包含了一些其他实现没有的增强特性，包括：

  • 随机深度：引入随机深度的策略，以在训练过程中提高模型鲁棒性。
  • 梯度检查点：用于减少内存使用，实现更大模型的训练。
  • 分层学习率衰减：每个层的学习率都可以被单独调控，以实现更精细的模型优化。
  • 可配置输出步幅：允许对输出步幅进行设置和调整。
  • 可配置的激活和归一化层：提供灵活的激活和归一化策略。
  • 预激活瓶颈块选项：适用于RegNetV变体。
  • 唯一已知的RegNetZ模型定义和预训练权重。

模型细节

  • 模型类型：图像分类/特征骨架
  • 模型统计：
    • 参数数量：51.8百万
    • GMACs：12.1
    • 激活数：21.4百万
    • 图像大小：训练为224x224，测试为288x288
  • 相关论文：Designing Network Design Spaces
  • 原始代码：GitHub
  • 数据集：ImageNet-1k
  • 预训练数据集：ImageNet-12k

模型使用

图像分类

RegNetY模型可以用于图像分类。使用Python以及PIL库来加载和处理图像，并通过timm库进行模型加载和预测。

特征映射提取

模型也可以作为特征提取器使用，通过提取不同层的特征映射，可以用于其他下游任务。

图像嵌入

通过去除分类层，模型还能进行图像嵌入的生成，输出特征张量用于进一步分析或处理。

模型比较

regnety_120.sw_in12k_ft_in1k在多个指标上与其他模型进行比较时表现良好，但在参数数量与计算资源方面力求达到更优的平衡。与其他模型的对比信息可以在timm模型结果中探索。

总之，regnety_120.sw_in12k_ft_in1k模型力求在准确率与执行效率之间取得良好的平衡，为图像分类任务提供了一个高效且灵活的解决方案。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多