2025年最高の 1346 個の画像分類ツール

ViTアーキテクチャに基づくNSFW画像分類モデル。ImageNet-21kデータセットで事前学習し、80,000枚の画像でファインチューニングされ、通常コンテンツとNSFWコンテンツを区別します。

Vision Transformerアーキテクチャに基づく画像分類モデルで、ImageNet-21kデータセットで事前学習されており、多クラス画像分類タスクに適しています

DINOv2手法でトレーニングされた小型視覚Transformerモデル、自己教師あり学習で画像特徴を抽出

ImageNet - 21kで事前学習し、ImageNetでファインチューニングしたビジュアルトランスフォーマーモデルで、画像分類タスクに使用されます。

ImageNet - 21kデータセットを使って事前学習されたビジュアルTransformerモデルで、画像分類タスクに使用されます。

DINOv2手法でトレーニングされた視覚Transformerモデル、自己教師あり学習で画像特徴を抽出

PyTorchとHuggingPicsを使用して構築された画像分類モデルで、画像内の性別を識別します

Vision Transformer (ViT)アーキテクチャに基づく画像分類モデルで、画像がNSFW（不適切）コンテンツを含むかどうかを検出するために特別に設計されています。

ハイブリッドビジョントランスフォーマー（ViT）モデルは、畳み込みネットワークとTransformerアーキテクチャを組み合わせたもので、画像分類タスクにおいてImageNetで優れた性能を発揮します。

これはPyTorchフレームワークとHuggingPicsツールで生成された画像分類モデルで、性別分類タスク専用です。

MobileViTは、軽量で低遅延の視覚Transformerモデルであり、CNNとTransformerの利点を組み合わせ、モバイル端末に適しています。

PhikonはiBOTでトレーニングされた組織病理学の自己教師あり学習モデルで、主に組織学的画像パッチから特徴を抽出するために使用されます。

timmリポジトリから変換されたViT-Tinyモデルで、画像分類タスクに適しており、使用方法はViT-baseモデルと同じです

DINOv2手法で訓練されたビジョンTransformerモデル。自己教師あり学習により大量の画像データから頑健な視覚特徴を抽出

BEiTは視覚Transformer（ViT）ベースの画像分類モデルで、自己教師あり方式でImageNet-22kで事前学習され、同じデータセットでファインチューニングされています。

timmコードベースから変換されたViT-tinyモデル、画像分類タスクに適しています

自己教師あり学習DINOv2で訓練された視覚Transformerモデル、胸部X線画像のエンコーディング専用

Swin Transformer v2は、階層的特徴マップと局所ウィンドウ自己注意機構により効率的な画像分類を実現する視覚トランスフォーマーモデルです。

Swin Transformerは、移動ウィンドウに基づく階層型ビジュアルTransformerで、画像分類タスクに適しています。

EfficientNetはモバイルフレンドリーな純粋な畳み込みモデルで、複合係数による深さ/幅/解像度の統一スケーリングにより、画像分類タスクで優れた性能を発揮します。

ResNet-50はImageNet-1kで事前学習された残差ネットワークモデルで、v1.5アーキテクチャの改良を採用し、画像分類タスクに適しています。

MobileNet V2はモバイルデバイス向けに設計された軽量な畳み込みニューラルネットワークで、遅延、モデルサイズ、精度のバランスを実現しています。

BEiTはVision Transformer(ViT)アーキテクチャに基づく画像分類モデルで、自己教師あり学習によりImageNet-21kで事前学習され、ImageNet-1kでファインチューニングされています。

Prov-GigaPathは実世界データに基づくデジタル病理学全スライド基礎モデルで、病理スライドのパッチレベルおよびスライドレベルの特徴を抽出します。

Transformerアーキテクチャに基づく大規模画像分類モデルで、ImageNet - 21kとImageNet - 1kデータセットで事前学習と微調整を行っています。

人間の肌タイプを分類するための画像分類モデルで、公平性を実現し、すべての肌色で正確に動作することを目指しています。

ビジョントランスフォーマー（ViT）は、トランスフォーマーアーキテクチャに基づく画像分類モデルで、最初にImageNet-21kで事前学習され、その後ImageNetでファインチューニングされます。

軽量NSFW画像検出モデル、精度98.56%、サイズは同類モデルの1/18-1/20

DeiTは、アテンション機構を用いてトレーニングされたデータ効率的な画像Transformerモデルで、ImageNet - 1kデータセット上で224x224の解像度で事前学習と微調整が行われます。

ImageNet-1kでトレーニングされたResNetモデル、残差接続構造を採用し、画像分類タスクをサポート

Vision Transformerアーキテクチャに基づく画像分類モデルで、本物の画像とAI生成の偽造画像を検出します。

DINO自己教師あり手法で訓練された視覚Transformerモデルで、ViTアーキテクチャを採用し、ImageNet-1kデータセットで事前学習されています。

レジスタ付き視覚トランスフォーマー（ViT）画像特徴モデル、自己教師ありのDINOv2手法でLVD-142Mデータセット上で事前学習済み。

このビジュアルTransformer（ViT）モデルは、まずImageNet - 21kデータセットで事前学習され、その後ImageNetデータセットで微調整され、画像分類タスクに適しています。

DINOv2手法で訓練された視覚Transformerモデル、自己教師あり学習により画像特徴を抽出

DINO手法に基づく自己教師あり学習で訓練されたVision Transformerモデル。8x8画像パッチ処理を使用し、画像特徴抽出タスクに適しています

Swin Transformerは階層型ビジュアルTransformerで、局所ウィンドウを使って自己アテンションを計算することで線形計算複雑度を実現し、画像分類タスクに適しています。

このモデルはBEiTアーキテクチャを基にPETAデータセットでファインチューニングされた画像分類モデルで、歩行者の性別を認識し、精度は91.07%です。

ImageNet-21kデータセットで事前学習されたVision Transformerモデルで、画像特徴抽出や下流タスクのファインチューニングに適しています。

視覚Transformer（ViT）ベースの画像特徴モデルで、自己教師ありDINO手法でトレーニングされ、画像分類や特徴抽出タスクに適しています。

MobileNet V2はモバイルデバイス向けに最適化された軽量視覚モデルで、画像分類タスクで優れた性能を発揮します。

Google Vision TransformerをファインチューニングしたNSFW（職場不適切）コンテンツ検出モデルで、5種類の画像コンテンツを識別可能