# 複数データセット学習

ViTPose++はビジョントランスフォーマーに基づく人体姿勢推定の基本モデルで、MS COCOキーポイントテストセットで81.1 APの優れた性能を達成しました。

日本語アニメ分野に特化した音声認識用Whisper派生モデル、アニメ音声特性に最適化

distilvitはVIT画像エンコーダーと蒸留版GPT-2テキストデコーダーを基にした画像からテキストへのモデルで、画像のテキスト説明を生成できます。

マイクロソフトTable Transformerを基に開発した表構造認識モデルで、ドキュメント内の表検出と認識タスクに使用

OpenAI Whisper-smallをファインチューニングした広東語音声認識モデル、Common Voice 16.0テストセットでCER7.93を達成

これはドイツ語自動音声認識のための大規模Conformer-CTCモデルで、NVIDIAが数千時間のドイツ語音声データでトレーニングおよび最適化しました。

これはXLS-R 10億パラメータモデルをファインチューニングしたオランダ語自動音声認識(ASR)モデルで、Common Voice 8.0など複数のデータセットで学習されており、16kHzサンプリングレートの音声入力をサポートしています。

RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。

このモデルはCommon Voiceトルコ語データセットでファインチューニングされたWav2Vec2音声認識モデルで、トルコ語自動音声認識タスクで優れた性能を発揮します。

これはXLS-R 10億パラメータモデルをファインチューニングしたスペイン語自動音声認識モデルで、複数のスペイン語データセットで学習・最適化されています。

マスク言語モデリング(MLM)目標で事前学習されたフィンランド語RoBERTaモデル、双方向コンテキスト理解をサポート