Project Icon

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

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。

resnet34.a1_in1k - ResNet34 A1变体:轻量级高效图像分类模型
GithubHuggingfaceResNettimm图像分类开源项目模型模型训练深度学习
resnet34.a1_in1k是一种轻量级ResNet变体,在ImageNet-1k上训练。该模型采用ResNet-B架构,结合ReLU激活、7x7卷积和1x1短路下采样。训练过程使用LAMB优化器、BCE损失和余弦学习率。作为通用骨干网络,它适用于图像分类、特征提取和嵌入生成,在维持性能的同时显著降低了计算复杂度。
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。
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。
wide_resnet50_2.racm_in1k - Wide ResNet-50-2模型采用RandAugment训练实现高性能图像分类
GithubHuggingfacewide_resnet50_2图像分类开源项目模型特征提取神经网络预训练模型
wide_resnet50_2.racm_in1k是一个基于Wide-ResNet-B架构的图像分类模型。它采用ReLU激活函数、7x7卷积层和1x1卷积短路连接。该模型在ImageNet-1k数据集上通过RandAugment 'RACM'方法训练,达到82.27%的top-1准确率。模型包含6890万参数,可用于图像分类、特征提取和嵌入生成。基于timm库实现,提供简洁API便于推理和特征提取。
tf_efficientnetv2_s.in21k_ft_in1k - EfficientNet-v2图像分类模型 基于双重ImageNet数据集训练
EfficientNet-v2GithubHuggingfaceImageNettimm图像分类开源项目模型特征提取
这是一个基于EfficientNet-v2架构的图像分类模型,采用ImageNet-21k预训练和ImageNet-1k微调策略。模型参数量为2150万,计算量为5.4 GMACs,支持图像分类、特征提取和图像嵌入等多种应用。训练采用300x300分辨率,测试时提升至384x384,在性能和效率之间实现良好平衡。该模型最初由论文作者在Tensorflow中实现,后由Ross Wightman移植至PyTorch框架。
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。
resnext101_32x16d.fb_swsl_ig1b_ft_in1k - Instagram预训练的ResNeXt模型用于图像分类和特征提取
GithubHuggingfaceResNeXttimm图像分类开源项目模型深度学习预训练模型
该模型基于ResNeXt-B架构,在Instagram-1B数据集上进行半监督预训练,并在ImageNet-1k上微调。模型拥有1.94亿参数,接受224x224像素输入图像,适用于图像分类、特征图提取和图像嵌入任务。它采用ReLU激活函数、单层7x7卷积和池化,以及1x1卷积的shortcut连接。在ImageNet验证集上,模型达到83.35%的Top-1准确率,展现出优秀的性能。
rexnet_150.nav_in1k - 高效的图像识别与特征提取
GithubHuggingfaceImageNet-1kReXNettimm图像分类开源项目模型特征提取
ReXNet是一款在ImageNet-1k数据集上预训练的图像分类模型,具有9.7M参数和0.9 GMACs,专为224x224尺寸图像设计。在timm库中实现模型调用,支持图像分类、特征地图提取及嵌入计算,堪称参数量与准确率之间的理想平衡,适用于深度学习研究和开发。
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。
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。
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