# エンドツーエンド学習

YOLOv10は清華大学が提案したリアルタイムエンドツーエンド物体検出モデルで、効率的かつ正確な特徴を持っています。

WavLMとBERTを基にしたマルチモーダル融合モデルで、音声とテキストの共同タスク処理に適しています。

ControlNet v1.1 は Stable Diffusion に基づく画像修復の条件制御モデルで、画像修復タスクに使用されます。

facebook/detr-resnet-50を微調整したOCRモデルで、物体検出タスクに使用

Deformable DETRはTransformerアーキテクチャに基づく物体検出モデルで、LVISデータセットでトレーニングされ、1203クラスの物体検出をサポートします。

ControlNetは落書き画像条件で拡散モデルを制御するニューラルネットワーク構造で、スケッチの輪郭に沿った画像を精密に生成できます。

AudioSetデータセットでファインチューニングされたオーディオスペクトログラムトランスフォーマーで、音声をスペクトログラムに変換後、ビジョントランスフォーマーアーキテクチャで処理し、音声分類タスクで優れた性能を発揮します。

AudioSetデータセットでファインチューニングされたオーディオスペクトログラムトランスフォーマーで、視覚トランスフォーマーアーキテクチャを使用してオーディオスペクトログラムを処理し、オーディオ分類タスクで優れた性能を発揮します。

AudioSetデータセットでファインチューニングされたオーディオスペクトログラムトランスフォーマーで、オーディオをスペクトログラムに変換後、ビジョントランスフォーマーで処理し、オーディオ分類タスクで優れた性能を発揮します。

AudioSetデータセットでファインチューニングされたオーディオスペクトログラムトランスフォーマーで、ViTアーキテクチャを使用してオーディオスペクトログラムを処理し、オーディオ分類タスクで優れた性能を発揮します。

オーディオスペクトログラムトランスフォーマー（AST）はAudioSetでファインチューニングされたモデルで、オーディオをスペクトログラムに変換後、ビジョントランスフォーマーを適用してオーディオ分類を行います。

YOLOSは視覚Transformer（ViT）アーキテクチャを使用した物体検出モデルで、DETR損失でトレーニングされ、COCOとMatterportバルーンデータセットでファインチューニングされています。

facebook/wav2vec2-baseモデルをベースにTIMITデータセット向けにファインチューニングした音声認識モデル

wav2vecアーキテクチャに基づく音声処理モデル、具体的な用途とトレーニングデータは明記されていません

このモデルはLibriSpeech ASRデータセットで訓練された自動音声認識(ASR)モデルで、英語音声をテキストに変換できます。

このモデルはfacebook/wav2vec2-xls-r-300mを汎用音声データセットでファインチューニングしたバージョンで、音声認識タスクに適しています。

このモデルはlibrispeech_asrデータセットを使って学習された音声認識モデルで、評価セットで2.0133の単語誤り率（WER）を達成しました。

ViLTは視覚と言語のトランスフォーマーモデルで、VQAv2データセットでファインチューニングされ、視覚質問応答タスクに使用されます。

Asteroidフレームワークを基に訓練された音声分離モデルで、ノイズのあるマルチチャンネル音声信号の分離タスクを専門に処理します。

Wav2Vec2アーキテクチャのランダム初期化バージョンに基づく、ロバスト性テスト用に設計された軽量級の自動音声認識（ASR）モデルです。

LibriSpeechデータセットに基づいて訓練された自動音声認識(ASR)モデル

このモデルは、facebook/wav2vec2-xls-r-300mをcommon_voiceデータセットで微調整した音声認識モデルです。