#图像分类

这是一个基于Vision Transformer架构的图像分类模型，在ImageNet-21k数据集上训练。模型采用额外的数据增强和正则化技术，参数量1.026亿，处理224x224像素图像。除图像分类外，还可用作特征提取器生成图像嵌入。基于PyTorch实现，提供简洁API，适用于多种计算机视觉任务。模型由Google Research开发，Ross Wightman将其移植到PyTorch。

此Vision Transformer模型专注于图像分类和特征提取任务。经ImageNet-21k预训练和ImageNet-1k微调，采用先进的数据增强和正则化方法。支持384x384像素输入，拥有8690万参数。不仅可进行图像分类，还能生成图像嵌入。源自Google Research，经Ross Wightman移植到PyTorch，现已成为timm库的重要组成部分。

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。

MobileViT-small是一款轻量级视觉模型，在ImageNet-1k数据集上预训练。该模型融合MobileNetV2结构和transformer块，实现高效全局图像处理。仅5.6M参数量，却在ImageNet上获得78.4%的top-1准确率。适用于移动设备的图像分类等任务，平衡了性能与效率。

DINO-ViTB16是一个基于视觉Transformer的自监督学习模型，在ImageNet-1k数据集上预训练。它将图像分割为16x16像素的patch序列，通过Transformer编码器处理，可捕获图像的内部表示。该模型适用于图像分类等多种计算机视觉任务，通过在[CLS] token上添加线性层即可实现。DINO-ViTB16展示了自监督学习在视觉领域的巨大潜力，为图像处理提供了新的解决方案。

EfficientNetV2是一个在timm库中实现的高效图像分类模型。通过使用以ResNet Strikes Back为基础的训练策略和SGD优化器（带Nesterov动量），结合自适应梯度剪裁，模型在ImageNet-1k数据集上进行训练。这一架构轻量且强大，支持包括图像分类、特征提取和图像嵌入的多种图像处理任务。

resnet50_gn.a1h_in1k是基于ResNet-B架构的图像分类模型，集成了多项先进训练技术。模型采用ReLU激活函数、单层7x7卷积与池化、1x1卷积快捷连接下采样等结构。在ImageNet-1k数据集上训练时，应用了LAMB优化器、增强型dropout、随机深度和RandAugment等方法。模型参数量为25.6M，GMACs为4.1，训练输入尺寸为224x224，测试输入尺寸为288x288。该模型可应用于图像分类、特征提取和图像嵌入等多种计算机视觉任务。

此项目采用微调版的microsoft/resnet-50模型，以其在cats_vs_dogs数据集上达到的0.9654高准确率而表现出色。适合高精度图像识别场景，模型训练过程使用了线性学习率调度器和Adam优化器，确保了结果的稳定与可靠。

swin_base_patch4_window7_224.ms_in22k_ft_in1k是一个基于Swin Transformer架构的图像分类模型，在ImageNet-22k上预训练并在ImageNet-1k上微调。该模型拥有8780万参数，支持224x224像素图像处理，可用于图像分类和特征提取。通过timm库，研究人员可以方便地加载预训练模型，进行图像分类、特征图提取或生成图像嵌入。这一模型在计算效率和性能之间实现了良好平衡，适用于各种计算机视觉任务。

ConvNeXt-V2模型通过全卷积掩码自动编码器框架进行预训练，并在ImageNet-1k数据集上进行微调。该模型具备15.6百万参数，支持多种图像尺寸处理，训练尺寸为224x224，测试尺寸为288x288。借助timm库，它可执行图像分类、特征提取和图像嵌入，适用于多种应用场景。

Vision Transformer (ViT)模型通过DINO方法进行的自监督训练在ImageNet-1k数据集上预训练，注重提升图像特征提取，无需微调即可应用于图像分类，兼顾多种下游任务。可根据任务需求选择合适的微调版本。

MobileNet-V4图像分类模型经过ImageNet-12k预训练和ImageNet-1k精细调整，优化了参数和图像处理能力。该模型适用于移动设备，并支持特征提取和图像嵌入。凭借出色的Top-1准确率和参数效率，它在同类模型中表现突出，提供快速准确的图像识别能力。

EfficientNet是一种训练于ImageNet-1k数据集、分辨率为224x224的卷积模型。该模型提出了复合系数方法，以均衡缩放模型的深度、宽度和分辨率。在移动设备上表现卓越，适用于图像分类。同时，用户可在Hugging Face平台上获取特定任务的微调版本。

DeiT_base_distilled_patch16_224.fb_in1k是一个在ImageNet-1k数据集上训练的图像分类模型，采用注意力蒸馏技术优化性能。模型包含8730万个参数，支持224x224像素图像输入。除图像分类外，还可用于特征提取。通过timm库可轻松调用，适用于图像分类和嵌入向量提取。该模型在精度和效率方面表现均衡，可广泛应用于计算机视觉任务。

RegNetY-200MF是一款在ImageNet-1k上预训练的轻量级图像分类模型。它具有3.2M的参数量和0.2 GMACs的计算量,适用于资源受限场景。该模型不仅可进行图像分类,还可作为特征提取的主干网络。timm实现添加了随机深度、梯度检查点等增强功能,提升了模型性能和灵活性。RegNetY-200MF可用于图像分类、特征图提取和图像嵌入等多种任务。

DeiT-base-distilled-patch16-224是一种基于Vision Transformer的图像分类模型，通过蒸馏技术从CNN教师模型中学习。该模型在ImageNet-1k数据集上进行预训练和微调，在224x224分辨率下实现83.4%的top-1准确率。模型采用16x16图像块嵌入和蒸馏token，适用于多种计算机视觉任务，尤其在图像分类领域表现优异。

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。

pnasnet5large.tf_in1k是基于Progressive Neural Architecture Search技术开发的图像分类模型，在ImageNet-1k数据集上训练而成。该模型拥有8610万参数，计算量为25.0 GMACs，支持331x331像素的图像输入。它不仅可用于图像分类，还能进行特征图提取和图像嵌入。研究人员和开发者可通过timm库轻松调用此预训练模型，提高图像处理效率。

NesT (Nested Hierarchical Transformer) 是一种创新的图像分类模型，在ImageNet-1k数据集上训练。该模型拥有6770万参数，支持图像分类、特征提取和图像嵌入等多种应用。NesT模型在JAX中原始训练，后被移植到PyTorch，展现出优秀的准确性、数据效率和可解释性，为计算机视觉领域提供了新的研究方向。

ConvNeXt大型图像分类模型采用CLIP方法在LAION-2B数据集上预训练,并在ImageNet-12k和ImageNet-1k上微调。模型包含2亿参数,320x320输入下top-1准确率达87.968%。支持图像分类、特征提取和嵌入等任务,可应用于多种计算机视觉场景。

poolformer_m36.sail_in1k是一个基于MetaFormer架构的PoolFormer图像分类模型，在ImageNet-1k数据集上训练。该模型拥有5620万参数，支持图像分类、特征图提取和图像嵌入等功能。它能高效处理224x224大小的图像，在保持性能的同时降低计算复杂度。研究人员和开发者可通过timm库轻松使用这一预训练模型，应用于多种计算机视觉任务。

vit_tiny_patch16_224.augreg_in21k_ft_in1k是一个轻量级Vision Transformer模型，专为图像分类和特征提取而设计。该模型在ImageNet-21k上预训练，并在ImageNet-1k上微调，采用了增强的数据增强和正则化技术。它拥有570万参数，能处理224x224尺寸的图像，在保持高效性能的同时提供准确的视觉分析能力。

这是一个基于Vision Transformer架构的图像特征提取模型。该模型采用DINOv2自监督学习方法，在LVD-142M数据集上预训练，拥有2210万参数，支持处理518x518尺寸的图像。模型可应用于图像分类和特征提取任务，并提供了相关的使用示例代码。作为一个无监督学习的视觉模型，它能够提取稳健的图像特征表示。

hrnet_w18.ms_aug_in1k是HRNet团队开发的图像分类模型，在ImageNet-1k数据集上训练。该模型拥有2130万参数，4.3 GMACs计算复杂度，可用于图像分类、特征图提取和图像嵌入。模型提供高分辨率视觉表征，适用于多种计算机视觉任务。通过timm库可方便地加载和使用这一预训练模型。

convnext_tiny.in12k是基于ConvNeXt架构的图像分类模型,在ImageNet-12k数据集上训练。该模型支持图像分类、特征图提取和图像嵌入等应用,参数量36.9M,GMACs 4.5,224x224分辨率下Top1精度84.186%。性能与效率均衡,适用于多种计算机视觉任务。

selecsls42b.in1k是基于ImageNet-1k数据集训练的SelecSLS图像分类模型，拥有3200万参数和3.0 GMACs计算量。该模型支持224x224图像输入，可用于图像分类、特征提取和嵌入生成。其独特之处在于能利用单个RGB相机实现实时多人3D动作捕捉，在效率和性能方面表现优异。模型源自XNect项目，代码已在GitHub开源。

eva_large_patch14_196.in22k_ft_in22k_in1k是基于EVA架构的图像分类模型。该模型在ImageNet-22k数据集上预训练和微调，最后在ImageNet-1k上微调，达到88.592%的Top-1准确率。模型包含3.04亿参数，支持处理196x196像素的图像，可用于图像分类和特征提取等计算机视觉任务。其性能和versatility使其成为视觉项目的有力工具。

MambaVision-S-1K是一种新型计算机视觉模型,首次融合了Mamba和Transformer的设计理念。研究者通过改进Mamba结构增强了其视觉特征建模能力,并验证了与Vision Transformer的有效集成。在ImageNet-1K基准测试中,该模型在准确率和效率方面取得了平衡。MambaVision可用于图像分类和特征提取任务,提供了简洁的调用接口。这一创新架构为计算机视觉领域带来了新的研究思路和应用前景。

ResNeSt101e.in1k是一个基于ResNet架构的分离注意力网络图像分类模型，在ImageNet-1k数据集上训练。该模型拥有4830万参数，13.4 GMACs计算复杂度，支持图像分类、特征提取和图像嵌入等功能。ResNeSt101e在保持较低计算复杂度的同时提供优秀性能，适用于多种计算机视觉应用场景。

这是一个基于ResNeXt架构的BotNet图像分类模型，采用高效通道注意力机制。该模型在ImageNet-1k数据集上训练，使用SGD优化器和自适应梯度裁剪技术。模型包含1060万参数，支持256x256像素图像处理。除图像分类外，还可用于特征图提取和图像嵌入，适用于多种计算机视觉任务。

dm_nfnet_f0.dm_in1k是一款基于NFNet（无归一化网络）架构的图像分类模型。该模型在ImageNet-1k数据集上训练，拥有7150万参数，计算量为7.2 GMACs。通过采用Scaled Weight Standardization技术和策略性放置的标量增益，该模型无需使用归一化层即可实现高性能。dm_nfnet_f0.dm_in1k适用于图像分类、特征提取和图像嵌入等多种任务，为大规模图像识别应用提供了高效解决方案。

本模型结合ResNet与Vision Transformer优势，在大规模ImageNet-21k数据集上预训练，并在ImageNet-1k上微调，实现高效准确的图像分类。具备9900万参数，支持384x384像素输入，可用于分类任务和特征提取。研究人员可通过timm库轻松应用此模型，进行推理或深入研究。

nfnet_l0.ra2_in1k是一种创新的轻量级NFNet图像分类模型，摒弃了传统的规范化层。它通过Scaled Weight Standardization和策略性放置的标量增益，实现了高效的大规模图像识别。基于ImageNet-1k数据集训练，该模型拥有3510万参数，适用于图像分类、特征提取和嵌入任务。这种无需常规规范化层的设计，为高性能图像处理提供了新的可能。

pit_b_224.in1k是一个基于池化的视觉Transformer(PiT)图像分类模型，在ImageNet-1k数据集上训练。该模型拥有7380万个参数，计算量为12.4 GMACs，支持224x224像素的输入图像。它可用于图像分类、特征图提取和图像嵌入等任务，在保持高精度的同时提高了计算效率。研究人员和开发者可通过timm库轻松加载并使用这个预训练模型。

dpn107.mx_in1k是一款基于Dual-Path Networks架构的图像分类模型，针对ImageNet-1k数据集优化。该模型拥有8690万参数和18.4 GMACs计算量，支持224x224像素的图像输入。最初由论文作者在MXNet框架上训练，后经Ross Wightman移植至PyTorch。除图像分类外，还可用于特征图提取和图像嵌入，为各种计算机视觉应用提供有力支持。

本教程介绍深度学习在图像处理中的应用，涵盖使用Pytorch和Tensorflow进行网络结构搭建和训练。课程内容包括图像分类、目标检测、语义分割、实例分割和关键点检测，适合研究生和深度学习爱好者。所有PPT和源码均可下载，助力学习和研究。