%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
Sam2 Hiera Tiny.fb R896
Apache-2.0
HieraDet画像エンコーダーを基にしたSAM2モデルで、画像特徴抽出タスクに特化しています。
画像セグメンテーション
Transformers
TransformersS
timm
84
0
Sam2 Hiera Large.fb R1024 2pt1
Apache-2.0
HieraDet画像エンコーダーに基づくSAM2モデル、効率的な画像特徴抽出に特化
画像セグメンテーション Transformers
TransformersS
timm
31
0
Sam2 Hiera Large.fb R1024
Apache-2.0
timmライブラリに基づくSAM2モデルで、HieraDet画像エンコーダ部分のみを含み、画像特徴抽出タスクに適しています。
画像セグメンテーション Transformers
TransformersS
timm
747
0
Deeplabv3plus Tu Resnet18
MIT
PyTorchベースのセマンティックセグメンテーションモデル、複数のエンコーダーアーキテクチャをサポート
画像セグメンテーション
Safetensors
SafetensorsD
smp-test-models
213
0
Fpn Tu Resnet18
MIT
PyTorchで実装されたFPN画像セグメンテーションモデルで、複数のエンコーダアーキテクチャをサポートし、意味的セグメンテーションタスクに適しています。
画像セグメンテーション
F
smp-test-models
217
0
Unetplusplus Tu Resnet18
MIT
PyTorchベースのセマンティックセグメンテーションモデルで、改良されたUNet++アーキテクチャを採用し、画像セグメンテーションタスクに適しています。
画像セグメンテーション
U
smp-test-models
215
0
Unet Tu Resnet18
MIT
PyTorchで実装されたUnet画像セグメンテーションモデル、複数のエンコーダアーキテクチャをサポート
画像セグメンテーション Safetensors
SafetensorsU
smp-test-models
219
0
Leyolo Medium
LeYOLOはYOLOアーキテクチャに基づく物体検出モデルで、nano、small、medium、largeなど複数のサイズバージョンを提供し、リアルタイム物体検出タスクに適しています。
物体検出 Transformers
TransformersL
lhollard
23
1
Rtdetr R101vd Coco O365
Apache-2.0
初のリアルタイムエンドツーエンド物体検出器、Transformerアーキテクチャに基づき、非極大抑制の必要性を排除、速度と精度でYOLOシリーズを凌駕
物体検出 Transformers 英語
Transformers 英語R
PekingU
106.81k
7
Rtdetr R101vd
Apache-2.0
RT-DETRは初のリアルタイムエンドツーエンド物体検出器で、ハイブリッドエンコーダとクエリ選択メカニズムにより効率的な検出を実現し、NMS後処理が不要です。
物体検出 Transformers 英語
Transformers 英語R
PekingU
1,369
4
Rtdetr R50vd
Apache-2.0
RT-DETRは初のリアルタイムエンドツーエンド物体検出器で、効率的なハイブリッドエンコーダとクエリ選択メカニズムによりYOLOシリーズを超える速度と精度のバランスを実現
物体検出 Transformers 英語
Transformers 英語R
PekingU
29.40k
27
Rtdetr R18vd
Apache-2.0
RT-DETRは初のリアルタイムエンドツーエンド物体検出Transformerモデルで、効率的なハイブリッドエンコーダとクエリ選択メカニズムによりNMS不要の効率的な検出を実現
物体検出 Transformers 英語
Transformers 英語R
PekingU
11.98k
4
Rtdetr R50vd Coco O365
Apache-2.0
RT-DETRは初のリアルタイムエンドツーエンド物体検出器で、効率的なハイブリッドエンコーダーと不確実性最小化クエリ選択メカニズムにより、COCOデータセットで53.1% AP、108 FPSの性能を達成しました。
物体検出 Transformers 英語
Transformers 英語R
PekingU
111.17k
11
Rtdetr R18vd Coco O365
Apache-2.0
初のリアルタイムエンドツーエンド物体検出器、ハイブリッドエンコーダとクエリ選択メカニズムによりNMS不要の効率的な検出を実現
物体検出 Transformers 英語
Transformers 英語R
PekingU
952
4
Rtdetr R34vd
Apache-2.0
RT-DETRは初のリアルタイムエンドツーエンド物体検出Transformerモデルで、効率的なハイブリッドエンコーダとクエリ選択メカニズムにより高速高精度検出を実現
物体検出 Transformers 英語
Transformers 英語R
PekingU
512
3
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル Transformers 複数言語対応
Transformers 複数言語対応L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。
対話システム Transformers 英語
Transformers 英語C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98