Project Icon

mnasnet_100.rmsp_in1k

MNasNet轻量级移动端图像分类模型

mnasnet_100.rmsp_in1k是基于MNasNet架构的轻量级图像分类模型,针对移动设备优化设计。该模型在ImageNet-1k数据集上训练,通过timm库实现。它采用RMSProp优化器和指数衰减学习率,参数量为4.4M,GMACs为0.3,适用于224x224像素图像。模型支持图像分类、特征提取和嵌入等功能,为移动端AI应用提供高效解决方案。

efficientnet_b3.ra2_in1k - EfficientNet B3变体:基于RandAugment的ImageNet-1k图像分类模型
EfficientNetGithubHuggingfacetimm图像分类开源项目模型深度学习预训练模型
efficientnet_b3.ra2_in1k是一款基于EfficientNet B3架构的图像分类模型,经过ImageNet-1k数据集训练。该模型采用RandAugment RA2数据增强策略,结合RMSProp优化器和指数衰减学习率调度,实现了优异的性能。拥有1220万参数,模型在图像分类、特征提取和嵌入生成等任务中表现出色,为计算机视觉应用提供了高效且灵活的解决方案。
wide_resnet50_2.racm_in1k - Wide ResNet-50-2模型采用RandAugment训练实现高性能图像分类
GithubHuggingfacewide_resnet50_2图像分类开源项目模型特征提取神经网络预训练模型
wide_resnet50_2.racm_in1k是一个基于Wide-ResNet-B架构的图像分类模型。它采用ReLU激活函数、7x7卷积层和1x1卷积短路连接。该模型在ImageNet-1k数据集上通过RandAugment 'RACM'方法训练,达到82.27%的top-1准确率。模型包含6890万参数,可用于图像分类、特征提取和嵌入生成。基于timm库实现,提供简洁API便于推理和特征提取。
res2next50.in1k - 基于Res2Net架构的高效多尺度图像分类模型
GithubHuggingfaceResNettimm图像分类开源项目模型深度学习特征提取
res2next50.in1k是基于Res2Net架构的图像分类模型,在ImageNet-1k数据集上训练。该模型采用多尺度ResNet结构,参数量为2470万,计算复杂度为4.2 GMACs。它不仅可用于图像分类,还支持特征图提取和图像嵌入等任务。res2next50.in1k在性能和灵活性方面表现出色,适用于广泛的计算机视觉应用。研究人员可通过timm库便捷地使用和评估此模型。
repvgg_a2.rvgg_in1k - RepVGG架构的轻量级图像分类模型支持多种视觉应用
GithubHuggingfaceImageNetRepVGG卷积神经网络图像分类开源项目模型预训练模型
repvgg_a2.rvgg_in1k是基于RepVGG架构的图像分类模型,通过ImageNet-1k数据集训练。该模型利用timm库的BYOBNet实现,允许自定义网络结构。模型参数量为28.2M,GMACs为5.7,处理224x224像素的输入图像。除图像分类外,还支持特征图提取和图像嵌入,可应用于多种计算机视觉任务。
MNN - 高效轻量的深度学习框架,支持多设备推理和训练
GithubMNN开源项目推理引擎深度学习框架轻量级高性能
MNN是一个高效轻量的深度学习框架,支持设备上的推理和训练。已被阿里巴巴30多个应用集成,覆盖直播、短视频、搜索推荐等70多种场景。MNN适用于嵌入式设备,支持TensorFlow、Caffe、ONNX等多种模型格式,并优化了ARM和x64 CPU及多种GPU的计算性能。通过MNN Workbench,用户可以下载预训练模型、进行可视化训练并一键部署到设备上。
MobileSAM - 高效轻量化图像分割模型,适用于移动设备
AI模型GithubMobileSAM图像分割开源项目深度学习计算机视觉
MobileSAM是一种轻量级图像分割模型,专为移动应用优化。它保持了与原始SAM相当的性能,同时大幅减少了模型参数和推理时间。通过将ViT-H编码器替换为TinyViT,MobileSAM将参数量从615M降至9.66M,推理速度从456ms提升至12ms。该项目提供完整的训练和使用文档,支持ONNX导出,可轻松集成到现有SAM项目中。
tiny-dnn - 轻量级C++14深度学习库,适用于嵌入式系统和物联网设备
C++14Githubtiny-dnn嵌入式系统开源项目深度学习物联网设备
tiny-dnn是一个为计算资源有限的嵌入式系统和物联网设备设计的C++14深度学习库。该库无需GPU,通过TBB线程和SSE/AVX向量化实现了高效性能,在13分钟内达到了98.8%的MNIST准确率。其便携的头文件形式使其易于集成,支持多种网络层类型、激活函数、损失函数和优化算法。tiny-dnn还能导入Caffe模型,适合学习和构建神经网络应用。
nanodet - 轻量级移动设备实时目标检测模型
GithubNanoDet-Plus实时检测开源项目移动设备轻量级模型高准确率
NanoDet-Plus 是一款超轻量级高精度的无锚目标检测模型,专为移动设备实时检测设计。其模型文件仅有980KB(INT8)或1.8MB(FP16),在ARM CPU上实现97fps检测速度,精度达34.3 mAP@0.5:0.95。NanoDet-Plus 训练友好,GPU内存占用低,支持ncnn、MNN、OpenVINO等多种后端,提供基于ncnn的安卓演示。此模型在COCO数据集上提升了7 mAP,支持多种分辨率和配置,满足不同场景需求。
mcunet - 面向微控制器的深度学习框架
GithubMCUNetTinyEngine开源项目微控制器深度学习物联网设备
MCUNet是面向微控制器的系统-算法协同设计框架,包含TinyNAS和TinyEngine两大核心组件。该框架在严格内存限制下提升深度学习性能,相比现有方案推理速度提高1.5-3倍,内存占用降低2.7-4.8倍。MCUNet为IoT应用提供高效深度学习基础设施,推动边缘AI发展。
imgclsmob - 深度学习卷积网络的研究与实现,涵盖多种框架和预训练模型
GithubMXNetPyTorchTensorFlowcomputer visiondeep learning开源项目
此存储库专注于计算机视觉领域的卷积网络研究,包含多种分类、分割、检测和姿态估计模型的实现,支持MXNet/Gluon、PyTorch、Chainer、Keras和TensorFlow等框架。提供了训练、评估和转换的脚本以及针对不同框架的PIP包,模型预训练于ImageNet、CIFAR-10/100、SVHN等数据集,能够自动加载预训练权重。
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

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。

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