#图像分类

EfficientNet是一种训练于ImageNet-1k数据集、分辨率为224x224的卷积模型。该模型提出了复合系数方法，以均衡缩放模型的深度、宽度和分辨率。在移动设备上表现卓越，适用于图像分类。同时，用户可在Hugging Face平台上获取特定任务的微调版本。

pnasnet5large.tf_in1k是基于Progressive Neural Architecture Search技术开发的图像分类模型，在ImageNet-1k数据集上训练而成。该模型拥有8610万参数，计算量为25.0 GMACs，支持331x331像素的图像输入。它不仅可用于图像分类，还能进行特征图提取和图像嵌入。研究人员和开发者可通过timm库轻松调用此预训练模型，提高图像处理效率。

NesT (Nested Hierarchical Transformer) 是一种创新的图像分类模型，在ImageNet-1k数据集上训练。该模型拥有6770万参数，支持图像分类、特征提取和图像嵌入等多种应用。NesT模型在JAX中原始训练，后被移植到PyTorch，展现出优秀的准确性、数据效率和可解释性，为计算机视觉领域提供了新的研究方向。

ConvNeXt大型图像分类模型采用CLIP方法在LAION-2B数据集上预训练,并在ImageNet-12k和ImageNet-1k上微调。模型包含2亿参数,320x320输入下top-1准确率达87.968%。支持图像分类、特征提取和嵌入等任务,可应用于多种计算机视觉场景。

poolformer_m36.sail_in1k是一个基于MetaFormer架构的PoolFormer图像分类模型，在ImageNet-1k数据集上训练。该模型拥有5620万参数，支持图像分类、特征图提取和图像嵌入等功能。它能高效处理224x224大小的图像，在保持性能的同时降低计算复杂度。研究人员和开发者可通过timm库轻松使用这一预训练模型，应用于多种计算机视觉任务。

vit_tiny_patch16_224.augreg_in21k_ft_in1k是一个轻量级Vision Transformer模型，专为图像分类和特征提取而设计。该模型在ImageNet-21k上预训练，并在ImageNet-1k上微调，采用了增强的数据增强和正则化技术。它拥有570万参数，能处理224x224尺寸的图像，在保持高效性能的同时提供准确的视觉分析能力。

这是一个基于Vision Transformer架构的图像特征提取模型。该模型采用DINOv2自监督学习方法，在LVD-142M数据集上预训练，拥有2210万参数，支持处理518x518尺寸的图像。模型可应用于图像分类和特征提取任务，并提供了相关的使用示例代码。作为一个无监督学习的视觉模型，它能够提取稳健的图像特征表示。

hrnet_w18.ms_aug_in1k是HRNet团队开发的图像分类模型，在ImageNet-1k数据集上训练。该模型拥有2130万参数，4.3 GMACs计算复杂度，可用于图像分类、特征图提取和图像嵌入。模型提供高分辨率视觉表征，适用于多种计算机视觉任务。通过timm库可方便地加载和使用这一预训练模型。

convnext_tiny.in12k是基于ConvNeXt架构的图像分类模型,在ImageNet-12k数据集上训练。该模型支持图像分类、特征图提取和图像嵌入等应用,参数量36.9M,GMACs 4.5,224x224分辨率下Top1精度84.186%。性能与效率均衡,适用于多种计算机视觉任务。

selecsls42b.in1k是基于ImageNet-1k数据集训练的SelecSLS图像分类模型，拥有3200万参数和3.0 GMACs计算量。该模型支持224x224图像输入，可用于图像分类、特征提取和嵌入生成。其独特之处在于能利用单个RGB相机实现实时多人3D动作捕捉，在效率和性能方面表现优异。模型源自XNect项目，代码已在GitHub开源。

MambaVision-S-1K是一种新型计算机视觉模型,首次融合了Mamba和Transformer的设计理念。研究者通过改进Mamba结构增强了其视觉特征建模能力,并验证了与Vision Transformer的有效集成。在ImageNet-1K基准测试中,该模型在准确率和效率方面取得了平衡。MambaVision可用于图像分类和特征提取任务,提供了简洁的调用接口。这一创新架构为计算机视觉领域带来了新的研究思路和应用前景。

ResNeSt101e.in1k是一个基于ResNet架构的分离注意力网络图像分类模型，在ImageNet-1k数据集上训练。该模型拥有4830万参数，13.4 GMACs计算复杂度，支持图像分类、特征提取和图像嵌入等功能。ResNeSt101e在保持较低计算复杂度的同时提供优秀性能，适用于多种计算机视觉应用场景。

这是一个基于ResNeXt架构的BotNet图像分类模型，采用高效通道注意力机制。该模型在ImageNet-1k数据集上训练，使用SGD优化器和自适应梯度裁剪技术。模型包含1060万参数，支持256x256像素图像处理。除图像分类外，还可用于特征图提取和图像嵌入，适用于多种计算机视觉任务。

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。

nfnet_l0.ra2_in1k是一种创新的轻量级NFNet图像分类模型，摒弃了传统的规范化层。它通过Scaled Weight Standardization和策略性放置的标量增益，实现了高效的大规模图像识别。基于ImageNet-1k数据集训练，该模型拥有3510万参数，适用于图像分类、特征提取和嵌入任务。这种无需常规规范化层的设计，为高性能图像处理提供了新的可能。

lcnet_050.ra2_in1k是基于LCNet架构的轻量级图像分类模型，在ImageNet-1k数据集上训练。模型采用RandAugment增强和RMSProp优化，参数量仅1.9M，支持224x224输入。可用于图像分类、特征提取和嵌入生成，适合CPU运行，为计算资源有限的场景提供高效解决方案。

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。

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。

tf_efficientnetv2_s.in21k是一个基于EfficientNet-v2架构的图像分类模型，在ImageNet-21k数据集上训练。该模型由TensorFlow原始训练，后移植至PyTorch，拥有4820万参数。模型支持图像分类、特征提取和图像嵌入等功能，适用于多种计算机视觉应用场景。通过timm库，开发者可以便捷地加载此预训练模型，实现图像分类、特征图提取或生成图像嵌入等任务。

SigLIP是CLIP模型的改进版本，使用sigmoid损失函数进行语言-图像预训练。该模型在WebLI数据集上以256x256分辨率预训练，适用于零样本图像分类和图像-文本检索任务。通过优化损失函数，SigLIP实现了更高性能和更大批量规模。模型支持原始使用和pipeline API调用，在多项评估中展现出优于CLIP的表现。SigLIP为图像-文本多模态任务提供了新的解决方案。

twins_pcpvt_base.in1k是基于Twins-PCPVT架构的图像分类模型，在ImageNet-1k数据集上训练。该模型拥有4380万参数，采用创新的空间注意力机制，适用于图像分类和特征提取任务。模型可通过timm库加载，支持直接推理或进一步微调。其在224x224图像输入下的计算量为6.7 GMACs，激活量为2520万。

ResNet-152 Text Detector是一个基于ResNet-152架构的深度学习模型，用于快速判断图像是否包含可读文本。该模型在COCO-Text和LLaVAR数据集上训练，使用约14万张图像，其中50%含文本，50%不含文本。模型采用300x300输入分辨率，使用AdamW优化器，学习率为5e-5，训练3个epochs。通过简单的Python代码，开发者可以轻松集成此模型，实现二元分类的图像文本检测功能。

MobileNetV2是为移动和嵌入式视觉应用设计的轻量级卷积神经网络。该模型在ImageNet-1k数据集上训练，采用RandAugment数据增强和EMA权重平均技术。MobileNetV2在低计算复杂度下实现了高效的图像分类和特征提取。通过timm库，开发者可以便捷地加载预训练模型，实现图像分类、特征图提取和图像嵌入等功能。

mixer_b16_224.goog_in21k_ft_in1k是一个基于MLP-Mixer架构的图像分类模型，在ImageNet-21k预训练后在ImageNet-1k微调。该模型拥有5990万参数，处理224x224图像输入，可用于图像分类和特征提取。项目提供了简洁的代码示例，展示了模型在图像分类和特征提取任务中的应用。这个模型为计算机视觉研究提供了有力工具。

xcit_large_24_p8_224.fb_in1k是一个基于XCiT架构的预训练模型，专注于图像分类和特征提取。该模型在ImageNet-1k数据集上训练，拥有1.889亿参数，处理224x224像素的图像。它在图像分类和特征嵌入任务中表现出色，适用于多种计算机视觉应用。借助timm库，研究人员和开发者可以方便地使用此模型进行推理或迁移学习。

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_small_patch16_224.augreg_in21k_ft_in1k是一个经过ImageNet-21k预训练和ImageNet-1k微调的Vision Transformer模型。它采用额外数据增强和正则化技术，适用于图像分类和特征提取。该模型拥有2210万参数，支持224x224图像输入，可通过timm库轻松加载使用。模型原始在JAX训练，后由Ross Wightman移植至PyTorch，为计算机视觉任务提供了强大的基础工具。

gmixer_24_224.ra3_in1k是一个基于MLP-Mixer架构的图像分类模型，在timm库中由Ross Wightman开发。该模型采用SwiGLU激活函数，在ImageNet-1k数据集上训练，拥有2470万参数，计算复杂度为5.3 GMACs。它支持224x224尺寸的图像输入，可用于图像分类和特征提取。模型提供简洁的API，便于进行图像分类和嵌入提取，适用于多种计算机视觉应用场景。

swinv2_tiny_window8_256.ms_in1k是基于Swin Transformer V2架构的轻量级图像分类模型，在ImageNet-1k数据集上预训练。该模型拥有2830万参数，6.0 GMACs计算量，支持256x256像素输入。它可用于图像分类、特征图提取和图像嵌入等任务，提供高效的视觉特征提取能力。研究人员和开发者可通过timm库轻松加载此预训练模型，应用于多种计算机视觉项目。

inception_v3.tf_adv_in1k是一个基于Inception-v3架构的图像分类模型，通过对抗训练提高了抗干扰能力。该模型在ImageNet-1k数据集上训练，参数量为23.8M，适用于299x299像素的图像输入。它可用于图像分类、特征提取和嵌入生成，为计算机视觉任务提供了versatile工具。

Swin Transformer模型通过层级特征图和局部注意力机制实现线性计算复杂度。在ImageNet-1k数据集上以224x224分辨率训练后，可作为图像分类和密集识别任务的骨干网络。采用shifted windows技术平衡效率与性能，适用于图像分类或特定任务微调。

DFN5B-CLIP-ViT-H-14是一个基于CLIP架构的图像-文本对比学习模型，通过DFN技术从430亿图像-文本对中筛选出50亿高质量样本进行训练。模型在39个图像分类基准测试中表现优异，平均准确率达69.8%。支持零样本图像分类和跨模态检索，可与OpenCLIP无缝集成。这一模型为计算机视觉和自然语言处理领域提供了有力支持，适用于多种研究和应用场景。

edgenext_small.usi_in1k是一款轻量级CNN-Transformer混合模型，针对移动视觉应用优化。该模型在ImageNet-1k数据集上训练，参数量为5.6M，GMACs为1.3。它支持图像分类、特征图提取和图像嵌入等功能，结合CNN和Transformer优势，在保持性能的同时减少计算资源需求，适合在资源受限的移动设备上运行。

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。

SegFormer (b5-sized) encoder是一个在ImageNet-1k上预训练的语义分割模型。它采用层次化Transformer编码器结构，为下游任务微调提供基础。该模型在ADE20K和Cityscapes等语义分割基准测试中表现优异，同时也适用于图像分类等相关任务。用户可通过简洁的Python代码轻松调用此模型进行实验和应用开发。

本教程介绍深度学习在图像处理中的应用，涵盖使用Pytorch和Tensorflow进行网络结构搭建和训练。课程内容包括图像分类、目标检测、语义分割、实例分割和关键点检测，适合研究生和深度学习爱好者。所有PPT和源码均可下载，助力学习和研究。