inception_v4.tf_in1k

面向图像分类的Inception-v4预训练模型

Github Inception-v4 图像分类 Huggingface 深度学习 ImageNet-1k 开源项目神经网络模型

Inception-v4是一个在ImageNet-1k数据集上预训练的深度学习模型，参数量为4270万，支持299x299图像输入。通过timm库可实现图像分类、特征图提取和图像嵌入等核心功能。该模型从TensorFlow移植至PyTorch，适用于计算机视觉领域的各类图像处理任务。

tinynet_a.in1k - 轻量级图像分类模型 TinyNet 实现高效特征提取

GithubHuggingfaceImageNetTinyNet图像分类开源项目模型深度学习神经网络

tinynet_a.in1k是基于ImageNet-1k数据集训练的轻量级图像分类模型。它仅有6.2M参数和0.3 GMACs，适用于192x192像素的图像处理。该模型可用于图像分类、特征图提取和图像嵌入，在资源受限环境中表现出色。通过timm库，开发者可以方便地使用预训练模型进行各种计算机视觉任务。tinynet_a.in1k在保持高效性能的同时，为图像处理应用提供了一个轻量化解决方案。

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。

tf_efficientnetv2_b0.in1k - 轻量高效的图像分类解决方案

EfficientNet-v2GithubHuggingfaceImageNettimm图像分类开源项目模型特征提取

EfficientNetV2-B0是EfficientNet-v2系列中的轻量级模型，由谷歌研究团队开发并在ImageNet-1k数据集上训练。模型参数仅7.1M，GMACs为0.5，在保持较高准确率的同时大幅降低计算复杂度。除图像分类外，还可用于特征提取和生成图像嵌入。该模型适用于资源受限的环境，如移动设备和边缘计算场景，为开发者提供了高效的图像处理解决方案。

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。

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。

wide_resnet101_2.tv_in1k - 宽残差网络101_2图像分类与特征提取功能

GithubHuggingfaceImageNet-1kReLU激活wide_resnet101_2.tv_in1k图像分类开源项目模型特征提取

Wide-ResNet101_2.tv_in1k是一种经ImageNet-1k数据训练的图像分类模型，采用ReLU激活、7x7卷积以及1x1卷积捷径降采样。该模型在图像分类和特征图提取方面表现优秀，可通过timm库轻松集成，是图像处理和计算机视觉领域的实用工具。

swinv2_tiny_window8_256.ms_in1k - Swin Transformer V2轻量级图像分类与特征提取模型

GithubHuggingfaceImageNet-1kSwin Transformer V2timm图像分类开源项目模型特征提取

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。

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。

convnext_tiny.in12k_ft_in1k - ConvNeXt微型模型基于ImageNet-12k预训练和ImageNet-1k微调

ConvNeXtGithubHuggingfaceImageNettimm图像分类开源项目模型预训练模型

ConvNeXt微型图像分类模型在ImageNet-12k数据集上预训练,并在ImageNet-1k上微调。模型采用最新ConvNeXt架构,参数量28.59M,GMACs 4.47,激活量13.44M。224x224输入时Top-1准确率84.186%,384x384输入时达85.118%。适用于图像分类、特征提取和图像嵌入等计算机视觉任务。

convnextv2_huge.fcmae_ft_in22k_in1k_512 - ConvNeXt-V2高效的图像分类与特征提取模型

ConvNeXt-V2GithubHuggingfaceImageNet图像分类开源项目模型模型预训练特征提取

ConvNeXt-V2模型在全卷积掩码自动编码器框架下进行预训练，并在ImageNet-22k和ImageNet-1k数据集上微调，提升了图像分类和特征提取的效率。模型拥有660.3M参数，处理512x512图像，适合复杂计算需求。支持图像分类、特征图提取和图像嵌入，确保高准确率和多样化应用，结合timm库简化操作，适用于研究和工业应用。

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com