Project Icon

vit_tiny_patch16_224.augreg_in21k

增强与正则化的ViT图像分类模型

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。

resnet18.a1_in1k - ResNet18图像分类模型 适用于多种计算机视觉任务
GithubHuggingfaceResNettimm图像分类开源项目模型深度学习神经网络
resnet18.a1_in1k是基于ResNet-B架构的图像分类模型,在ImageNet-1k数据集上训练。它采用ReLU激活函数、单层7x7卷积等特性,支持图像分类、特征提取和嵌入等任务。该模型有1170万参数,在224x224分辨率下计算量为1.8 GMACs,可用于多种计算机视觉应用。
SPViT - 单路径自注意力剪枝,提升ViT模型效率的新方法
GithubSPViT卷积层开源项目模型剪枝自注意力机制视觉Transformer
SPViT项目提出了一种单路径自注意力剪枝方法,将预训练ViT模型中的自注意力层剪枝为卷积层,形成混合模型结构。该方法通过权重共享机制降低了模型搜索成本,在减少计算资源消耗的同时保持了模型性能。实验表明,SPViT在多个基准测试中表现良好,为Vision Transformer模型的优化设计提供了新思路。
tf_mobilenetv3_large_075.in1k - MobileNet-v3大规模图像分类与特征提取模型
GithubHuggingfaceImageNet-1kMobileNetV3图像分类开源项目模型深度学习特征图提取
该模型为MobileNet-v3图像分类模型,基于ImageNet-1k数据集在Tensorflow上训练,并由Ross Wightman移植至PyTorch实现。使用224x224图像,拥有4.0百万参数和0.2 GMACs的效率。提供代码示例,帮助实现图像分类、特征提取和图像嵌入。更详细的比较信息可于timm项目页面查阅。
owlv2-large-patch14-ensemble - Google OWLv2模型实现零样本开放词汇目标检测
CLIPGithubHuggingfaceOWLv2开源项目模型自然语言处理计算机视觉零样本目标检测
OWLv2是Google开发的基于CLIP的零样本目标检测模型。它使用ViT-L/14架构和掩蔽自注意力Transformer分别处理图像和文本输入。通过端到端训练,OWLv2实现了开放词汇的物体分类和定位,可根据多个文本查询执行目标检测。该模型在公开数据集上训练,为计算机视觉研究提供了新的可能性。
GiT - 通用视觉Transformer模型实现多任务统一
GiTGithub多任务学习开源项目视觉Transformer计算机视觉语言接口
GiT是一种通用视觉Transformer模型,采用单一ViT架构处理多种视觉任务。该模型设计简洁,无需额外视觉编码器和适配器。通过统一语言接口,GiT实现了从目标检测到图像描述等多任务能力。在多任务训练中,GiT展现出任务间协同效应,性能超越单任务训练且无负迁移。GiT在零样本和少样本测试中表现优异,并随模型规模和数据量增加而持续提升性能。
vit-face-expression - Vision Transformer驱动的七类面部表情识别模型
FER2013GithubHuggingfaceVision Transformer人脸表情识别开源项目情感分析数据预处理模型
vit-face-expression模型采用Vision Transformer架构,通过FER2013数据集微调,实现了七种基本面部表情的识别。该模型可分析愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性表情,在测试集上达到71.16%的准确率。这一开源项目为面部情绪分析领域提供了新的解决方案。
efficientnet_b4.ra2_in1k - EfficientNet B4图像分类模型 ImageNet-1k数据集训练
EfficientNetGithubHuggingfaceImageNettimm图像分类开源项目模型深度学习
efficientnet_b4.ra2_in1k是基于EfficientNet架构的图像分类模型,在ImageNet-1k数据集上训练。该模型采用RandAugment RA2增强方法,使用RMSProp优化器,具有1930万参数和3.1 GMACs计算量。支持320x320训练图像和384x384测试图像,可用于图像分类、特征提取和嵌入等任务,为计算机视觉领域提供高效解决方案。
Open-MAGVIT2 - 自回归视觉生成新突破 大幅提升图像分词性能
GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成
Open-MAGVIT2是一个创新的自回归视觉生成项目,采用无查找技术和262144大小的码本,克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器,在图像分词方面取得显著进展,8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展,目前处于积极开发阶段,未来计划拓展至视频生成领域。
watermark_detector - 图像水印检测模型,基于Google ViT基础模型
GithubHuggingfacewatermark_detector准确率开源项目模型训练超参数
模型通过微调谷歌的ViT基础模型,用于提高图片水印检测的准确率,在评估集上取得了0.6574的准确度。训练过程中使用了最新的Transformers和Pytorch框架,包含优化参数与学习率调度,提升了训练效率。
siglip-so400m-patch14-384 - SigLIP模型应用sigmoid损失函数提升多模态处理能力
GithubHuggingfaceSigLIPWebLI数据集图像分类多模态模型开源项目模型零样本学习
SigLIP模型基于WebLi数据集在384x384分辨率下预训练,采用SoViT-400m架构。通过sigmoid损失函数优化CLIP模型,在零样本图像分类和图像文本检索任务中表现优异。该模型可处理更大批量,同时在小批量下也有出色表现。经16个TPU-v4芯片3天训练,为多模态任务奠定了坚实基础。
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