Project Icon

beit_base_patch16_384.in22k_ft_in22k_in1k

高效的BEiT自监督图像分类与嵌入模型

BEiT图像分类模型在ImageNet-22k上通过DALL-E dVAE自监督掩码图像建模进行训练,并在ImageNet-22k和ImageNet-1k上进行微调。特点包括易于实现图像分类和生成图像嵌入,具有86.7百万参数,支持384x384图像。模型适合通过timm库高效调用,适用于多种计算机视觉应用。

efficientnet_b5.sw_in12k_ft_in1k - EfficientNet-加强版:适用于图像分类与特征提取的高效模型
EfficientNetGithubHuggingfaceImageNettimm图像分类开源项目模型特征提取
EfficientNet模型结合了Swin Transformer的优化策略,经过ImageNet-12k预训练及ImageNet-1k微调,适用于图像识别、特征提取和嵌入生成。该模型使用AdamW优化器、梯度裁剪和余弦退火学习率等技术,提供高效的图像分类解决方案。
swin_base_patch4_window7_224.ms_in22k_ft_in1k - Swin Transformer模型:用于图像分类和特征提取的层级视觉架构
GithubHuggingfaceImageNetSwin Transformertimm图像分类开源项目模型特征提取
swin_base_patch4_window7_224.ms_in22k_ft_in1k是一个基于Swin Transformer架构的图像分类模型,在ImageNet-22k上预训练并在ImageNet-1k上微调。该模型拥有8780万参数,支持224x224像素图像处理,可用于图像分类和特征提取。通过timm库,研究人员可以方便地加载预训练模型,进行图像分类、特征图提取或生成图像嵌入。这一模型在计算效率和性能之间实现了良好平衡,适用于各种计算机视觉任务。
tf_efficientnetv2_xl.in21k_ft_in1k - EfficientNet-v2开源图像分类与特征抽取模型
EfficientNet-v2GithubHuggingfaceImageNet-21kTensorFlowtimm图像分类开源项目模型
EfficientNet-v2模型在ImageNet-21k上预训练并在ImageNet-1k上微调,具备图像分类、特征提取与图像嵌入功能。初始使用Tensorflow训练,后由Ross Wightman移植至PyTorch。模型拥有208.1百万参数与52.8 GMACs计算量,支持训练时384x384与测试时512x512的图像尺寸。通过timm库,便可创建预训练模型,用于图像分类及特征映射。本模型在研究与应用中表现出强大的性能及灵活性。
tf_efficientnetv2_m.in21k_ft_in1k - EfficientNetV2的图片识别与特征提取
EfficientNet-v2GithubHuggingface图像分类图像嵌入开源项目模型深度学习特征提取
EfficientNetV2模型在ImageNet-21k数据集上预训练,并在ImageNet-1k上微调,最初使用TensorFlow构建,由Ross Wightman移植至PyTorch。其参数量为54.1M,能够在不同分辨率下实现精确的图像识别,并支持通过timm库执行图像分类、特征提取和嵌入生成等多任务。
efficientnet_b1.ft_in1k - 基于ImageNet-1k微调的EfficientNet图像分类模型
EfficientNetGithubHuggingfaceImageNet-1kPyTorch图像分类开源项目模型特征图提取
EfficientNet图像分类模型已在ImageNet-1k上进行微调,适用于PyTorch。该模型参数为7.8M,支持特征图提取和图像嵌入,可用作高效的图像分类工具。
vit_base_patch14_reg4_dinov2.lvd142m - 基于寄存器的先进Vision Transformer图像特征模型
DINOv2GithubHuggingfaceVision Transformertimm图像特征提取开源项目模型自监督学习
vit_base_patch14_reg4_dinov2.lvd142m是一款基于寄存器的Vision Transformer图像特征模型。该模型采用自监督DINOv2方法在LVD-142M数据集上预训练,拥有8660万参数,支持518x518分辨率的图像处理。模型适用于图像分类和特征提取,提供简洁的使用方法和代码示例。作为一种无监督学习的先进视觉模型,它为计算机视觉领域提供了新的研究方向和应用可能。
tf_efficientnet_l2.ns_jft_in1k - EfficientNet架构的大规模图像识别与特征提取模型
EfficientNetGithubHuggingfaceImageNet图像分类开源项目模型深度学习神经网络
基于EfficientNet架构开发的图像分类模型,采用Noisy Student半监督学习方法,结合ImageNet-1k和JFT-300m数据集进行训练。模型支持800x800分辨率输入,包含4.8亿参数,可用于图像分类、特征提取和嵌入向量生成。借助timm库实现模型的快速部署,适用于各类图像识别任务。
convnextv2-base-22k-384 - 基于ImageNet-22K数据集的ConvNeXt V2全卷积模型
ConvNeXt V2GithubHuggingfaceImageNet图像分类开源项目模型自动编码器视觉
ConvNeXt V2模型通过FCMAE框架和新引入的GRN层提高卷积网络在图像分类中的效果,基于ImageNet-22K数据集训练,支持高分辨率和出色性能表现,适用于多种识别任务,可用于直接应用或微调以满足特定需求。
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。
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。
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