Project Icon

spnasnet_100.rmsp_in1k

使用Single-Path NAS技术设计的轻量级图像分类模型

spnasnet_100.rmsp_in1k是基于Single-Path NAS技术的轻量级图像分类模型,在ImageNet-1k数据集上训练。模型仅有440万参数和0.3 GMACs,适合资源受限场景。支持图像分类、特征图提取和图像嵌入等应用。通过timm库可轻松加载此预训练模型进行推理或微调。模型采用RMSProp优化器和指数衰减学习率调度,在保持高效性的同时确保了分类性能。

tinynet_e.in1k - TinyNet模型在ImageNet-1k上的应用与性能分析
GithubHuggingfaceImageNet-1ktimmtinynet_e.in1k图像分类开源项目模型特征提取
TinyNet是一个旨在优化图像分类和特征提取的模型,通过调整分辨率、深度和宽度,在ImageNet-1k上进行训练。模型参数量为2.0M,并具有低计算负荷。提供简便的代码示例以支持图像分类、特征图提取和图像嵌入,可用于多种图像处理场景。同时,通过timm库探索其指标表现,更深入了解其在神经信息处理中的应用。
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。
resnetrs152.tf_in1k - ResNetRS-B模型提供的图像信息处理新选择
GithubHuggingfaceImageNetResNetRS-BTensorflowtimm图像分类开源项目模型
ResNetRS-B是一款图像分类模型,具备ReLU激活、单层7x7卷积池化和1x1卷积下采样功能。该模型由论文作者在ImageNet-1k上使用Tensorflow训练,拥有86.6M的参数量,支持320x320图像测试。其多功能性使其适用于图像分类、特征提取和图像嵌入任务,通过timm库可便捷地在Python中实现应用。
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。
resnet18.a3_in1k - 简化且高效的图像分类模型,支持轻松集成
GithubHuggingfaceImageNetResNet图像分类开源项目模型特征提取神经网络
ResNet18的最新变体,在ImageNet-1k数据集上使用A3训练方法进行优化。模型具有ReLU激活函数、7x7卷积与池化、以及1x1卷积下采样设计,增强图像分类精度和特征提取能力,适合影像识别和深度学习项目应用。参数数量为11.7M,GMACs为0.9,适用于中小规模项目,易于集成部署。
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。
convnextv2_tiny.fcmae_ft_in1k - ConvNeXt-V2轻量级图像分类和特征提取模型
ConvNeXt-V2GithubHuggingfaceImageNet-1ktimm图像分类开源项目模型预训练模型
convnextv2_tiny.fcmae_ft_in1k是基于ConvNeXt-V2架构的轻量级图像分类模型。该模型通过全卷积masked自编码器预训练,在ImageNet-1k数据集微调,拥有2860万参数。它可用于图像分类、特征图提取和图像嵌入,在ImageNet验证集上Top-1准确率达82.92%。这是一个在性能和效率间取得平衡的优秀选择。
ese_vovnet39b.ra_in1k - 高效实时的VoVNet-v2图像分类解决方案
GithubHuggingfaceImageNet-1kVoVNet-v2timm图像分类开源项目模型特征提取
VoVNet-v2是一种预训练于ImageNet-1k的图像分类模型,含高效计算和低能耗优点,并采用RandAugment优化。适用于特征骨干网络,支持图像分类、特征提取和图像嵌入。其关键性能包括24.6M参数、7.1 GMACs等。通过`timm`库,用户可以实现高效的图像分类和特征提取。模型使用ResNet Strikes Back的训练方案,提高了准确度和应用多样性。
gmlp_s16_224.ra3_in1k - gMLP架构的ImageNet-1k图像分类模型
GithubHuggingfaceImageNetgMLPtimm图像分类开源项目模型深度学习模型
gmlp_s16_224.ra3_in1k是一个基于gMLP架构的图像分类模型,在ImageNet-1k数据集上训练。该模型在timm库中实现,参数量为1940万,计算量为4.4 GMACs,适用于224x224像素的图像输入。模型可用于图像分类和特征提取,支持top-5预测和图像嵌入生成。这一模型源自'Pay Attention to MLPs'研究,为计算机视觉领域提供了一种高效的MLP架构方案。
resnet152.a1h_in1k - ResNet152图像分类模型 基于ResNet Strikes Back改进架构
GithubHuggingfaceResNettimm图像分类开源项目模型深度学习神经网络
resnet152.a1h_in1k是基于ResNet Strikes Back改进的ResNet152模型。该模型采用ReLU激活函数、单层7x7卷积加池化、1x1卷积shortcut下采样等特性,在ImageNet-1k数据集上训练。模型参数量60.2M,GMACs 11.6,激活大小22.6M。288x288图像输入下Top-1准确率83.46%,Top-5准确率96.54%。可用于图像分类和特征提取。
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