Project Icon

xcit_nano_12_p8_224.fb_in1k

基于跨协方差转换器的轻量级图像分类模型

xcit_nano_12_p8_224.fb_in1k采用跨协方差图像转换器(XCiT)架构,是一个参数量为3.0M的轻量级图像分类模型。模型在ImageNet-1k数据集上完成预训练,支持224x224尺寸的图像输入,可应用于图像分类和特征提取。模型通过跨协方差注意力机制降低计算复杂度,适合实际部署应用。

convnext_small.fb_in22k_ft_in1k_384 - ConvNeXt模型提升图像分类精度的预训练与微调方案
ConvNeXtGithubHuggingfaceImageNet图像分类开源项目模型模型比较特征提取
ConvNeXt是一款用于图像分类的模型,于ImageNet-22k数据集预训练,并在ImageNet-1k上微调。该模型拥有50.2百万参数和25.6 GMACs,支持384x384尺寸的图像处理。除了图像分类外,它还支持特征图和图像嵌入提取。凭借其优异的性能和高效的图像处理能力,ConvNeXt被广泛应用于复杂的图像识别任务。通过timm库可实现模型便捷的加载与应用,适用于各种研究与工程需求。
tf_efficientnet_lite0.in1k - 轻量级EfficientNet-Lite模型实现高效图像分类与特征提取
EfficientNet-LiteGithubHuggingfaceImageNet-1k图像分类开源项目模型模型对比特征提取
EfficientNet-Lite0是一款专为高效图像分类和特征提取设计的模型,经过ImageNet-1k训练。该模型已被迁移至PyTorch,并利用timm库进行图像嵌入和特征图提取。在4.7M参数和0.4 GMACs的架构下,实现了高效性能与计算资源节约,适合作为多种视觉任务的解决方案。
convnext-tiny-224 - 高效图像分类 ConvNeXT卷积神经网络的新突破
ConvNeXTGithubHuggingfaceImageNetResNetVision Transformers图像分类开源项目模型
ConvNeXT是一款卷积模型,具有优于Vision Transformers的表现。设计灵感源于Swin Transformer,并对ResNet进行了现代化调整,专注于图像分类。ConvNeXT-tiny-224在ImageNet-1k数据集训练后,提供高效的分类能力。模型集线器提供适用不同任务的微调版本。
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。
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。
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。
xception41.tf_in1k - Xception架构的高效图像分类神经网络
GithubHuggingfaceImageNet-1kXceptiontimm图像分类开源项目模型深度学习
xception41.tf_in1k是一款基于Xception架构的图像分类模型,在ImageNet-1k数据集上训练而成。该模型采用深度可分离卷积技术,拥有2700万参数和9.3 GMACs的计算量,支持图像分类、特征图提取和图像嵌入等功能。通过timm库,研究者可以方便地加载预训练模型进行推理或微调。xception41.tf_in1k在维持高精度的同时优化了计算效率,适用于多种计算机视觉任务。
inception_resnet_v2.tf_in1k - Inception-ResNet-v2架构的图像分类与特征提取模型
GithubHuggingfaceImageNet-1kinception_resnet_v2timm图像分类开源项目模型特征提取
inception_resnet_v2.tf_in1k是基于Inception-ResNet-v2架构的图像分类模型,在ImageNet-1k数据集上训练。模型拥有5580万参数,13.2 GMACs计算量,适用于299x299像素的输入图像。除图像分类外,该模型还支持特征图提取和图像嵌入功能。它在保持较低计算复杂度的同时提供高精度图像识别能力,适用于多种计算机视觉任务。
convnextv2_tiny.fcmae_ft_in22k_in1k - ConvNeXt-V2图像分类模型 FCMAE预训练与ImageNet微调
ConvNeXt-V2GithubHuggingfaceImageNet卷积神经网络图像分类开源项目模型特征提取
ConvNeXt-V2架构的图像分类模型采用全卷积掩码自编码器(FCMAE)预训练,并在ImageNet-22k和ImageNet-1k数据集上微调。该模型拥有2860万参数,224x224输入尺寸下达到83.894%的top1准确率。适用于图像分类、特征提取和图像嵌入等计算机视觉任务,为高效图像处理提供了强大支持。
convnext_atto.d2_in1k - 轻量级ConvNeXt模型,优化图像分类和特征提取
ConvNeXtGithubHuggingfaceImageNet-1kRoss Wightman图像分类开源项目模型特征提取
ConvNeXt图像分类模型,经过Ross Wightman在timm库中使用ImageNet-1k数据集训练。其参数为3.7M,计算量为0.6 GMACs,适合高效图像嵌入与特征提取,计算复杂度低但准确度高,适合多种图像分析任务。
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