# 224x224解像度

PVTはTransformerベースの視覚モデルで、ピラミッド構造を使用して画像を処理し、ImageNet-1Kで事前学習されており、画像分類タスクに適しています。

ResNet-152を微調整した植物の苗分類モデルで、テストセットでの精度は77.67%

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。

LeViT-128SはImageNet-1kデータセットで事前学習された視覚Transformerモデルで、畳み込みネットワークの利点を組み合わせてより高速な推論を実現しています。

LeViT-384はImageNet-1kデータセットで事前学習された視覚Transformerモデルで、畳み込みネットワークの利点を組み合わせてより高速な推論を実現しています。

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。

ImageNet-1kデータセットで事前学習された深層残差ネットワークモデル、画像分類タスク用

このビジュアルトランスフォーマー（ViT）モデルは、ImageNet-21kデータセットで224x224解像度で事前学習されており、画像分類タスクに適しています。

ConvNeXTは純粋な畳み込みモデルで、その設計は視覚Transformerからインスピレーションを得ており、視覚Transformerよりも優れた性能を主張しています。このモデルはImageNet-22kデータセットで224x224解像度で学習されています。

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

ConvNeXTは純粋な畳み込みモデルで、その設計は視覚Transformerからインスピレーションを得ており、視覚Transformerよりも優れた性能を主張しています。このモデルは224x224解像度でImageNet-22kデータセットを用いて学習されました。

BEiTはビジュアルTransformer（ViT）に基づく自己監督学習モデルで、ImageNet - 21kデータセットで事前学習され、画像分類タスクに使用されます。

ImageNet-21kで事前学習されたビジュアルTransformerモデルで、超大サイズのアーキテクチャを採用し、画像分類などのビジュアルタスクに適しています。

蒸留版高効率データ画像Transformer（DeiT）モデルは、ImageNet-1kで224x224解像度で事前学習と微調整が行われ、蒸留学習によって教師モデルから知識を抽出します。

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。

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。

ConvNeXTは純粋な畳み込みモデルで、視覚Transformerからインスピレーションを得た設計で、ImageNet-1kデータセットで224x224解像度でトレーニングされました。