Project Icon

tf_efficientnetv2_s.in21k_ft_in1k

EfficientNet-v2图像分类模型 基于双重ImageNet数据集训练

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。

vit_base_r50_s16_384.orig_in21k_ft_in1k - ResNet-Vision Transformer混合模型用于高精度图像分类
GithubHuggingfaceImageNetResNetVision Transformertimm图像分类开源项目模型
本模型结合ResNet与Vision Transformer优势,在大规模ImageNet-21k数据集上预训练,并在ImageNet-1k上微调,实现高效准确的图像分类。具备9900万参数,支持384x384像素输入,可用于分类任务和特征提取。研究人员可通过timm库轻松应用此模型,进行推理或深入研究。
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。
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。
convnextv2_base.fcmae_ft_in22k_in1k_384 - 高效图像识别与特征开发的开源解决方案
ConvNeXt-V2GithubHuggingfaceImageNet卷积神经网络图像分类开源项目模型特征提取
ConvNeXt-V2是一款基于全卷积掩码自编码器(FCMAE)预训练的图像分类模型,能够高效处理ImageNet-22k和ImageNet-1k数据集。模型拥有88.7M的参数和45.21 GMACs,适合精准的图像识别和特征开发。兼容timm库,支持图像分类、特征图提取和图像嵌入生成等应用场景。通过简单的Python代码即可调用该模型,提升开发效率。
convnext_base.fb_in22k_ft_in1k_384 - 高效的ConvNeXt图像分类解决方案
ConvNeXtGithubHuggingfaceImageNet图像分类开源项目模型模型对比特征提取
ConvNeXt图像分类模型经过ImageNet-22k的预训练和ImageNet-1k的微调,以384x384分辨率高效执行分类任务。拥有88.6M参数和45.2 GMACs,支持图像分类、特征提取和图像嵌入等功能。适用于多种机器学习任务,其高分辨率处理能力使其在深度学习领域具有良好表现。
convnextv2_base.fcmae_ft_in22k_in1k - 多功能图像分类与特征提取模型
ConvNeXt-V2GithubHuggingfaceImageNettimm图像分类开源项目模型预训练模型
ConvNeXt-V2是一款先进的图像分类模型,通过全卷积掩码自编码器框架(FCMAE)预训练,并在ImageNet-22k和ImageNet-1k数据集上微调。除图像分类外,该模型还可用于特征图提取和图像嵌入。拥有8870万参数,ConvNeXt-V2在ImageNet-1k验证集上实现86.74%的Top-1准确率。凭借在多项基准测试中的卓越表现,ConvNeXt-V2成为各类计算机视觉任务的优秀选择。
mobilenetv4_conv_medium.e500_r256_in1k - MobileNet-V4中档卷积模型:在保持较低参数量的同时提高图像分类效率
GithubHuggingfaceImageNet-1kMobileNet-V4timm图像分类开源项目模型特征提取
介绍了在ImageNet-1k数据集上训练的MobileNet-V4图像分类模型,其在维持高效分类精度的同时,降低了参数和计算量。模型支持特征提取和图像嵌入等应用场景,并与同类模型进行了广泛比较,适用于移动设备上的高效图像处理。
tf_mixnet_l.in1k - MixNet架构的轻量级图像分类模型
GithubHuggingfaceImageNetMixNetPyTorchtimm图像分类开源项目模型
tf_mixnet_l.in1k是一个基于MixNet架构的图像分类模型,在ImageNet-1k数据集上训练。该模型采用混合深度卷积核,参数量为7.3M,计算量为0.6 GMACs。它支持图像分类、特征图提取和图像嵌入等功能,适用于224x224像素的输入图像。tf_mixnet_l.in1k在保持较小模型规模的同时,为多种计算机视觉任务提供了有效的解决方案。
vit_base_patch16_224.augreg2_in21k_ft_in1k - 高性能Vision Transformer图像分类与特征提取模型
GithubHuggingfaceImageNetVision Transformerpytorch-image-modelstimm图像分类开源项目模型
该模型基于Vision Transformer架构,在ImageNet-21k上预训练并在ImageNet-1k上微调,采用额外的数据增强和正则化技术。适用于图像分类和特征提取,具有8660万参数,支持224x224输入尺寸。模型在性能和效率间取得平衡,可满足多样化的计算机视觉任务需求。
tinynet_e.in1k - TinyNet模型在ImageNet-1k上的应用与性能分析
GithubHuggingfaceImageNet-1ktimmtinynet_e.in1k图像分类开源项目模型特征提取
TinyNet是一个旨在优化图像分类和特征提取的模型,通过调整分辨率、深度和宽度,在ImageNet-1k上进行训练。模型参数量为2.0M,并具有低计算负荷。提供简便的代码示例以支持图像分类、特征图提取和图像嵌入,可用于多种图像处理场景。同时,通过timm库探索其指标表现,更深入了解其在神经信息处理中的应用。
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