vit_small_patch16_384.augreg_in21k_ft_in1k

增强的视觉转换器模型及其在图像分类中的应用

ImageNet 图像分类开源项目 Vision Transformer PyTorch 模型 Huggingface 数据增强 Github

ViT图像分类模型结合增强与正则化技术，基于ImageNet-21k训练后在ImageNet-1k微调。模型通过JAX进行训练并移植至PyTorch，拥有22.2M参数和384x384图像输入，展示了12.4 GMACs的高效性。适用于图像分类与特征提取，在视觉识别和嵌入生成中表现出色。

mobilevit_xs.cvnets_in1k - MobileViT 轻量级通用移动友好的视觉Transformer

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

MobileViT是一种轻量级视觉Transformer模型，专为移动设备设计。mobilevit_xs.cvnets_in1k版本在ImageNet-1k数据集上训练，仅有2.3M参数和1.1 GMACs计算量。该模型适用于图像分类、特征提取和嵌入生成等任务，平衡了性能和资源消耗。它融合了MobileNet的轻量化结构和Vision Transformer的强大特性，为资源受限环境提供了高效解决方案。

deit_base_patch16_224.fb_in1k - 基于Transformer架构的DeiT图像分类模型

DeiTGithubHuggingfaceImageNet-1k图像分类开源项目模型深度学习神经网络

deit_base_patch16_224.fb_in1k是一款基于Transformer架构的图像分类模型，在ImageNet-1k数据集上训练。该模型拥有8660万参数，支持224x224像素图像处理，可用于图像分类和嵌入向量生成。通过数据高效训练方法和注意力蒸馏技术，该模型在减少大规模数据依赖的同时保持了高性能。研究人员和开发者可以利用timm库轻松应用此模型进行推理或特征提取。

crossvit_9_240.in1k - 跨注意力多尺度视觉Transformer图像分类模型

CrossViTGithubHuggingfaceImageNet-1k图像分类开源项目模型深度学习神经网络模型

CrossViT 9 240是IBM开发的图像分类模型，基于CrossViT架构设计。该模型在ImageNet-1k数据集上训练，参数量为8.6M，适用于240x240分辨率图像。模型采用跨注意力多尺度Vision Transformer技术，可高效提取图像特征，适用于图像分类和特征提取任务。研究人员和开发者可通过timm库使用该预训练模型进行推理或微调。

xcit_small_12_p16_224.fb_in1k - 跨协方差图像Transformer的高效视觉分类与特征提取模型

GithubHuggingfaceImageNetXCiT图像分类开源项目模型深度学习计算机视觉

XCiT (Cross-Covariance Image Transformer)是Facebook Research开发的视觉分类模型，采用创新的跨协方差注意力机制。模型在ImageNet-1k数据集预训练，包含2630万参数，处理224x224图像输入。通过优化计算效率，该模型在图像分类和特征提取任务中展现出稳定性能。

vision_transformer - 视觉Transformer和MLP-Mixer模型库高性能图像识别

FlaxGithubJAXMLP-MixerVision Transformer图像识别开源项目

项目包含多种视觉Transformer(ViT)和MLP-Mixer模型实现,提供ImageNet和ImageNet-21k预训练模型及JAX/Flax微调代码。通过交互式Colab笔记本可探索5万多个模型检查点。这些高性能图像分类模型代表了计算机视觉的前沿进展。

vit_large_patch14_clip_336.openai - 通过CLIP模型探索计算机视觉鲁棒性

CLIPGithubHuggingfaceOpenAI偏见开源项目数据集模型计算机视觉

OpenAI开发的CLIP模型通过ViT-L/14 (336x336)架构提高视觉任务的鲁棒性，专注于零样本图像分类，供研究人员深入探索。这个模型针对英语场景，其数据主要源自发达国家的互联网用户，目前不建议用于商用部署，但在学术界具备多学科研究的重要价值。

efficientvit - EfficientViT多尺度线性注意力用于高分辨率密集预测

EfficientViTGithub图像分割开源项目模型优化深度学习计算机视觉

EfficientViT是一种新型ViT模型，专注于高效处理高分辨率密集预测视觉任务。其核心是轻量级多尺度线性注意力模块，通过硬件友好操作实现全局感受野和多尺度学习。该项目提供图像分类、语义分割和SAM等应用的预训练模型，在性能和效率间达到平衡，适合GPU部署和TensorRT优化。

ViTamin - 推动计算机视觉进入新时代的可扩展视觉语言模型

GithubViTamin图像处理开源项目深度学习视觉语言模型计算机视觉

ViTamin是一系列可扩展的视觉语言模型,在图像分类、开放词汇检测和分割等任务上取得突破。以436M参数量在DataComp-1B数据集训练,实现82.9%的ImageNet零样本准确率。在7个开放词汇分割基准测试中创新纪录,并提升大型多模态模型能力。获timm和OpenCLIP官方支持,提供简单接口。ViTamin为计算机视觉领域带来新的可能性。

Open-MAGVIT2 - 自回归视觉生成新突破大幅提升图像分词性能

GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成

Open-MAGVIT2是一个创新的自回归视觉生成项目，采用无查找技术和262144大小的码本，克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器，在图像分词方面取得显著进展，8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展，目前处于积极开发阶段，未来计划拓展至视频生成领域。

GiT - 通用视觉Transformer模型实现多任务统一

GiTGithub多任务学习开源项目视觉Transformer计算机视觉语言接口

GiT是一种通用视觉Transformer模型,采用单一ViT架构处理多种视觉任务。该模型设计简洁,无需额外视觉编码器和适配器。通过统一语言接口,GiT实现了从目标检测到图像描述等多任务能力。在多任务训练中,GiT展现出任务间协同效应,性能超越单任务训练且无负迁移。GiT在零样本和少样本测试中表现优异,并随模型规模和数据量增加而持续提升性能。

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