Project Icon

tinynet_a.in1k

轻量级图像分类模型 TinyNet 实现高效特征提取

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。

tf_mobilenetv3_large_minimal_100.in1k - MobileNetV3轻量级图像分类模型
GithubHuggingfaceImageNetMobileNet-v3pytorchtimm图像分类开源项目模型
tf_mobilenetv3_large_minimal_100.in1k是基于MobileNet-v3架构的图像分类模型,在ImageNet-1k数据集上训练。该模型参数量为3.9M,计算复杂度为0.2 GMACs,适用于资源受限的移动设备。模型支持图像分类、特征图提取和图像嵌入等功能。最初由TensorFlow团队开发,后由Ross Wightman移植到PyTorch平台,为开发者提供了多平台使用选择。
lcnet_050.ra2_in1k - LCNet轻量级神经网络模型实现高效图像分类和特征提取
GithubHuggingfaceImageNet-1kLCNettimm图像分类开源项目模型特征提取
lcnet_050.ra2_in1k是基于LCNet架构的轻量级图像分类模型,在ImageNet-1k数据集上训练。模型采用RandAugment增强和RMSProp优化,参数量仅1.9M,支持224x224输入。可用于图像分类、特征提取和嵌入生成,适合CPU运行,为计算资源有限的场景提供高效解决方案。
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。
convnext_nano.in12k_ft_in1k - 基于ConvNeXt架构的轻量级图像分类模型
ConvNeXtGithubHuggingfaceImageNettimm图像分类开源项目模型特征提取
convnext_nano.in12k_ft_in1k是基于ConvNeXt架构开发的轻量级图像分类模型,模型参数量1560万,在ImageNet-12k数据集预训练后在ImageNet-1k微调。支持图像分类、特征提取和嵌入向量生成等功能,适用于计算资源受限环境下的视觉任务。
mixnet_l.ft_in1k - MixNet-L:轻量级混合深度卷积网络实现高效图像分类
GithubHuggingfaceImageNet-1kMixNettimm图像分类开源项目模型特征提取
mixnet_l.ft_in1k是一个在ImageNet-1k数据集上微调的MixNet架构图像分类模型。该模型采用混合深度卷积核,参数量仅为7.3M,计算量为0.6 GMACs,实现了高效的分类性能。支持224x224像素输入,可用于图像分类、特征提取和生成图像嵌入。作为一个轻量级yet性能出色的视觉特征提取器,适用于多种计算机视觉应用场景。
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。
mobilenetv3_small_100.lamb_in1k - MobileNetV3小型模型:轻量级移动设备图像分类方案
GithubHuggingfaceImageNet-1kMobileNet-v3timm图像分类开源项目模型特征提取
MobileNetV3小型模型是一款基于timm库在ImageNet-1k数据集上训练的轻量级图像分类模型。它采用LAMB优化器和EMA权重平均技术,具有2.5M参数和0.1 GMACs的低计算量。该模型支持224x224像素输入,可用于图像分类、特征提取和嵌入生成,适合在移动设备上部署高效的视觉识别应用。
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。
fbnetv3_b.ra2_in1k - FBNet-v3轻量级图像分类模型支持多种应用场景
FBNet-v3GithubHuggingfaceImageNet-1ktimm图像分类开源项目模型特征提取
fbnetv3_b.ra2_in1k是基于FBNet-v3架构的轻量级图像分类模型。该模型在ImageNet-1k数据集上训练,使用RandAugment数据增强和EMA权重平均等技术。模型参数仅8.6M,GMAC为0.4,适合移动设备部署。支持图像分类、特征图提取和图像嵌入等应用,可用于多种计算机视觉任务。
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。
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