Pepe

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。