Project Icon

mobilenetv4_conv_small.e2400_r224_in1k

MobileNet-V4图像分类模型简介

MobileNetV4是一个利用ImageNet-1k数据集训练的图像分类模型,具有3.8M参数和0.2 GMACs的复杂度。该模型由timm库优化,使用了与MobileNet-V4论文一致的超参数。其训练和测试图像尺寸分别为224x224和256x256,适用于移动平台。更多信息可在PyTorch Image Models和相关论文中找到。

mobilenetv3_large_100.miil_in21k_ft_in1k - MobileNet-v3图像分类模型结合大规模和标准数据集优势
GithubHuggingfaceImageNetMobileNet-v3timm图像分类开源项目模型特征提取
MobileNet-v3是一款轻量级图像分类模型,由阿里巴巴MIIL团队在ImageNet-21k-P上预训练并在ImageNet-1k上微调。模型参数仅5.5M,适合资源受限设备。除图像分类外,还可用于特征图提取和图像嵌入,为视觉任务提供基础。该模型结合了大规模和标准数据集的优势,在保持高效性的同时提升了性能。
mobilenetv3_small_050.lamb_in1k - 探索资源有效利用的MobileNet-v3图像分类模型
GithubHuggingfaceImageNet-1kMobileNet-v3timm图像分类开源项目模型特征提取
该项目展示了在ImageNet-1k上训练的MobileNet-v3图像分类模型,强调其在资源受限环境中的适用性。使用LAMB优化器和EMA权重平均化,该模型参照ResNet Strikes Back设计,通过简化预处理流程,支持图像分类、特征提取和图像嵌入等多种深度学习任务,增强模型性能。
mobilenetv3_small_075.lamb_in1k - 移动网络V3小型模型的图像分类与优化方法
GithubHuggingfaceImageNet-1kMobileNet-v3timm图像分类开源项目模型特征提取
该项目采用MobileNet-v3模型进行图像分类,在ImageNet-1k数据集上通过LAMB优化器和RMSProp优化器进行微调。利用指数衰减学习率调度和EMA权重平均,提高性能表现。模型在特征提取和图像嵌入方面表现出色,适合开发轻量级视觉识别应用。
mobilevit_s.cvnets_in1k - MobileViT 轻量级通用移动友好的图像分类模型
GithubHuggingfaceImageNet-1kMobileViTtimm图像分类开源项目模型特征提取
mobilevit_s.cvnets_in1k是一款基于MobileViT架构的图像分类模型,在ImageNet-1k数据集上进行了训练。该模型仅有5.6M参数和2.0 GMACs计算量,体现了其轻量级特性。它不仅可用于图像分类,还支持特征图提取和图像嵌入等功能。通过融合MobileNet的效率和Vision Transformer的性能,这个模型特别适合在计算资源有限的移动设备上应用。
mobilevitv2_075.cvnets_in1k - MobileViT-v2:高效的移动视觉变换器图像分类解决方案
GithubHuggingfaceImageNet-1kMobileViT-v2Separable Self-attention图像分类开源项目模型特征提取
MobileViT-v2是一个高效的移动视觉变换器模型,利用分离自注意力机制优化了图像分类与特征提取。经过ImageNet-1k数据集训练,该模型适配多种计算机视觉任务。模型规格包括2.9M参数和1.1 GMAC,支持256x256图像输入。借助timm库,模型可轻松集成至移动设备的视觉处理应用中。
fbnetc_100.rmsp_in1k - FBNetC-100:轻量级移动设备图像分类模型
FBNetGithubHuggingfaceImageNet-1ktimm图像分类开源项目模型神经网络架构搜索
fbnetc_100.rmsp_in1k是基于FBNet架构的轻量级图像分类模型,在ImageNet-1k数据集上训练。该模型仅有5.6M参数和0.4 GMACs,适用于224x224图像输入,专为移动设备优化。通过timm库,可轻松实现图像分类、特征图提取和图像嵌入等功能。模型采用RMSProp优化器和指数衰减学习率,平衡了性能和效率。
mnasnet_100.rmsp_in1k - MNasNet轻量级移动端图像分类模型
GithubHuggingfaceImageNet-1kMNasNettimm图像分类开源项目模型神经网络架构
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。
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。
tf_efficientnetv2_s.in21k_ft_in1k - EfficientNet-v2图像分类模型 基于双重ImageNet数据集训练
EfficientNet-v2GithubHuggingfaceImageNettimm图像分类开源项目模型特征提取
这是一个基于EfficientNet-v2架构的图像分类模型,采用ImageNet-21k预训练和ImageNet-1k微调策略。模型参数量为2150万,计算量为5.4 GMACs,支持图像分类、特征提取和图像嵌入等多种应用。训练采用300x300分辨率,测试时提升至384x384,在性能和效率之间实现良好平衡。该模型最初由论文作者在Tensorflow中实现,后由Ross Wightman移植至PyTorch框架。
efficientnetv2_rw_s.ra2_in1k - EfficientNetV2架构的轻量级图像分类模型
EfficientNetV2GithubHuggingfaceImageNet图像分类开源项目机器学习模型模型深度学习
基于EfficientNetV2架构的图像分类模型,通过timm框架实现,使用RandAugment数据增强和RMSProp优化器在ImageNet-1k数据集训练。模型参数量23.9M,计算量4.9 GMACs,训练分辨率288x288,测试分辨率384x384。支持图像分类、特征图提取和图像嵌入等功能。
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

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能,包括文生视频、动态画面和形象生成等,帮助用户快速上手,创造专业级内容。

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

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台,用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品,帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型,为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能,满足事务性工作的高频需求,帮助撰稿人节省精力,提高效率,优化工作与生活。

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

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