# 軽量画像分類

CIFAR-10データセットで訓練された小型resnet18画像分類モデル、テスト精度は94.98%を達成。

CIFAR-100データセットでトレーニングされたResNet18小型画像分類モデル、テスト精度は79.26%。

EfficientNetはモバイルフレンドリーな純粋な畳み込みニューラルネットワークで、複合係数により深さ/幅/解像度の次元を統一調整することで効率的なスケーリングを実現します。

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を行い、ImageNet-1kデータセットで学習されています。

これはHuggingPicsで生成された画像分類モデルで、領収書、紙、請求書、文書の4種類の画像を識別・分類するために特別に設計されています。

このモデルはConvNeXt-Tinyアーキテクチャを基に、ソーセージ(klobasa)画像データセットで微調整された視覚分類モデルで、精度は89.58%を達成

MobileNet V2は、モバイルデバイス向けに最適化された小型・低遅延・低消費電力の視覚モデルです

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。

ImageNet-1kデータセットで事前学習された軽量画像分類モデル、モバイルデバイス向けに最適化設計

BEiTアーキテクチャに基づく視覚Transformerモデルで、MNIST手書き数字データセットで微調整され、99.35%の精度を達成

このモデルはConvNeXTアーキテクチャのミニバージョンで、cifar10データセットでファインチューニングされており、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、画像分類タスクで優れた性能を発揮します。

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、画像分類タスクで優れた性能を発揮します。

MobileNet V1は、モバイルおよび組み込み向けの視覚アプリケーション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、ImageNet-1kデータセットで事前学習されています。

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、インドスナックの識別に特化しています。

MNIST手書き数字認識用の小型Resnetモデルで、検証セットで0.985の精度を達成しました。

これは希少な犬種を識別するための画像分類モデルで、精度は64.44%です。

HuggingPicsによって生成された画像分類モデルで、犬、アヒル、ガチョウ、ハト、白鳥などの動物を識別できます

これはPyTorchフレームワークに基づく画像分類モデルで、アフリカのピグミー山羊とナイジェリアドワーフ山羊を区別するために特別に設計されています。