# 高精度画像分類

Swin Transformer Tinyアーキテクチャをファインチューニングしたドッグフード画像分類モデル、テストセットで98.8%の精度を達成

Vision Transformer (ViT)アーキテクチャを基にCIFAR-10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、精度99.2%達成

知覚エンコーダ（PE）は、シンプルな視覚-言語学習によってトレーニングされた最先端の画像・動画理解エンコーダで、様々な視覚タスクにおいて最先端の性能を達成しています。

MambaとTransformerの利点を組み合わせた初のコンピュータビジョンハイブリッドモデルで、Mambaの式を再構築して視覚特徴モデリングの効率を向上させ、Mambaアーキテクチャの最後の数層に自己注意モジュールを導入して長距離空間依存関係のモデリング能力を強化しました。

マンバ(Mamba)とTransformerの利点を融合した初のコンピュータビジョンハイブリッドモデルで、マンバ式を再構築して視覚特徴モデリングの効率を向上させ、マンバアーキテクチャの末端に自己注意モジュールを導入して長距離空間依存関係のモデリング能力を強化しました。

ResNet-50アーキテクチャに基づく事前学習モデルで、中央アジアの食品画像分類タスク向けに特別にファインチューニングされており、34種類の中央アジア料理の分類をサポートします。

Vision Transformerアーキテクチャに基づくスマートTVジェスチャー認識モデルで、9種類の一般的なジェスチャーを正確に分類できます。

Google Vision Transformer (ViT)アーキテクチャに基づく画像分類モデルで、beansデータセットに特化してファインチューニングされています

これは自動トレーニングに基づく画像分類モデルで、さまざまな一般的な物体カテゴリを認識できます

microsoft/resnet-50をファインチューニングした猫犬画像分類モデルで、評価セットで95%の精度を達成

ResNet-50アーキテクチャをファインチューニングした画像分類モデルで、猫と犬の画像を区別するために特別に設計されており、精度は96.88%です。

ResNet-50をファインチューニングしたトマト葉病画像分類モデルで、精度は99.56%

Google Vision Transformer (ViT)アーキテクチャを基にファインチューニングしたトマト葉病害分類モデルで、評価セットで99.67%の精度を達成

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

これはAutoTrainで訓練されたAI画像分類モデルで、様々な画像内容を正確に識別・分類できます。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、複数の視覚理解ベンチマークで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、複数の視覚理解ベンチマークで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、複数のベンチマークテストで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標事前学習に基づく視覚モデルシリーズで、複数のベンチマークテストで優れた性能を発揮

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、複数のマルチモーダル理解ベンチマークで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、複数のマルチモーダル理解ベンチマークで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、複数の視覚理解ベンチマークテストで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標事前学習に基づく視覚モデルシリーズで、多くの視覚タスクで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、多くのベンチマークテストで優れた性能を発揮

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、多くの視覚タスクで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、多くのベンチマークテストで優れた性能を発揮します。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、多くの視覚タスクで優れた性能を発揮します。

これはVision Transformer (ViT)とBEiTアーキテクチャに基づく画像分類モデルで、インドネシアのバティック模様を識別するために特別に設計されています。

MambaとTransformerの利点を初めて組み合わせたコンピュータビジョンの混合モデルで、Mambaの式を再設計することでビジュアル特徴のモデリング能力を強化しました。

このモデルはGoogleのViT-base-patch16-224を画像フォルダデータセットでファインチューニングした画像分類モデルで、検証セットの精度は89.21%です。

Google Vision Transformer (ViT)アーキテクチャを微調整した画像分類モデルで、AI生成画像と真正画像を区別するために使用されます

GoogleのViTモデルをcats_vs_dogsデータセットでファインチューニングした画像分類モデルで、猫と犬の画像を区別するために使用されます。

google/vit-base-patch16-224をファインチューニングした視覚モデルで、評価セットでF1スコア0.9931を達成

このモデルはgoogle/vit-base-patch16-224-in21kをCIFAR10データセットでファインチューニングした画像分類モデルで、精度は96.78%です。

Google Vision Transformerアーキテクチャに基づく画像分類モデルで、コンテンツモデレーションタスク向けにファインチューニングされ、テストセットで90.43%の精度を達成

これは画像分類タスク用のモデルで、英語をサポートし、オープンライセンスを採用しています。

Swin Transformerアーキテクチャに基づく微小モデル、CIFAR-10画像分類タスク向けにファインチューニング

google/vit-base-patch16-224-in21kをファインチューニングした画像分類モデルで、豆類データセットで97.74%の精度を達成

DeiT-tinyアーキテクチャに基づく軽量画像分類モデルで、カスタム画像データセットで微調整後98.56%の検証精度を達成

これはHuggingPicsによって生成された画像分類モデルで、動物、鳥類、国旗など様々な画像を分類できます。