# Swin Transformer

このモデルはSwin Transformerアーキテクチャに基づく脳腫瘍画像分類モデルで、画像分類タスクにおいて優れた性能を発揮し、精度は99.49%に達します。

UperNetはセマンティックセグメンテーションのためのフレームワークで、Swin Transformerをバックボーンネットワークとして採用し、効率的にピクセルレベルのセマンティックアノテーションを行うことができます。

Swin Transformerアーキテクチャに基づく微調整モデルで、ゴミ分別タスクに使用され、精度は88.27%

Swin Transformer Tinyアーキテクチャを基にCIFAR-100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

Swin Transformer Tinyアーキテクチャに基づく視覚モデルで、EuroSATデータセットで微調整され、画像分類タスクに使用されます

Swin Transformerアーキテクチャに基づく画像分類モデルで、memesデータセットで20エポックのファインチューニングを行い、検証セットの精度は84.78%を達成

Swin Transformerアーキテクチャを基にFood101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で、精度は92.14%

Swin Transformerアーキテクチャをベースにファインチューニングした食品画像分類モデルで、Food101データセットにおいて92.1%の精度を達成

Swin Transformerアーキテクチャに基づくスナック画像分類モデルで、スナックデータセットでファインチューニング後の精度は94.55%に達しました

これはSwin Transformerアーキテクチャに基づく微小モデルで、画像分類タスク向けに設計され、EuroSATデータセットでファインチューニングされています。

これはSwin Transformer Tinyアーキテクチャに基づく微調整モデルで、画像分類タスク専用に設計されており、評価セットで97.59%の精度を達成しました。

これはSwin Transformerアーキテクチャに基づく小型画像分類モデルで、植物健康診断タスク向けに微調整されており、評価セットで99.83%の精度を達成しました。

マイクロソフトのSwin Transformer Tinyアーキテクチャを基にした軽量画像分類モデルで、スナック分類データセットでファインチューニング後、92.86%のテスト精度を達成

Swin Transformerアーキテクチャに基づく微調整済み画像分類モデルで、画像フォルダデータセットにおいて97.44%の精度を達成