# 多クラス認識

このモデルはLogiroad/route_background_semantic_x2をLogiroad/route_background_semanticデータセットでファインチューニングした画像分割モデルで、主に道路背景のセマンティックセグメンテーションタスクに使用されます。

SigLIP2アーキテクチャを微調整したファッション画像分類モデル、Fashion-MNISTデータセット専用に設計

これはApache-2.0ライセンスに基づく画像分類モデルで、30種類の異なる植物を識別するために特別に設計されています。

Food101データセットでファインチューニングされたEfficientNetB4画像分類モデル、101種類の食品カテゴリ認識をサポート

DETRはTransformerベースの物体検出モデルで、エンドツーエンド方式で物体検出タスクを処理し、複雑な後処理ステップを必要としません。

YOLOv9アーキテクチャに基づくCounter-Strike 2(CS2)プレイヤー検出モデル、ゲーム内のプレイヤーキャラクター認識をサポート

YOLOv9に基づく物体検出モデル、Transformers.jsに対応し、ブラウザ上で動作可能

YOLOv9 (GELAN-C) アーキテクチャに基づく物体検出モデル、Transformers.js向けに最適化されたONNXバージョン

Food101データセットで訓練された食品画像分類モデル、精度は88.31%

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、さまざまな一般的な物体カテゴリを認識できます

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。

汎用的な画像分類モデルで、入力画像内のオブジェクトを識別・分類できます

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、さまざまな一般的な物体やシーンを認識できます。

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、自転車関連データセットで優れた性能を発揮します。

AutoTrainでトレーニングされた多クラス画像分類モデルで、一般的な物体の分類認識をサポート

AutoTrainでトレーニングされた多クラス画像分類モデルで、テストデータセットで優れたパフォーマンスを発揮

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、検証セットで優れた性能を示し、精度は97.4%に達しています。

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、検証セットで優れた性能を発揮し、精度は98.9%に達しました。

これはHuggingPicsで生成された画像分類モデルで、特定のジャンル（genres）の画像を分類するために主に使用されます。

これはAutoTrainを使用してトレーニングされた多クラス画像分類モデルで、さまざまな物体カテゴリを識別できます。

これはHuggingPicsによって生成された画像分類モデルで、精度は94.12%です。

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、テストデータセットで完璧な分類性能を示しています

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、検証セットで優れた性能を示し、精度は94.1%に達しました。

これはAutoTrainでトレーニングされた高性能な画像分類モデルで、検証セットで99.8%の精度を達成しました。

HuggingPicsによって生成された画像分類モデルで、特定のカテゴリの画像を識別するために使用されます

YOLOv5sはYOLOシリーズの物体検出モデルの効率的で軽量なバージョンで、PyTorchで実装されており、リアルタイム物体検出タスクに適しています。

GoogleのViT-baseモデルをファインチューニングした画像分類モデルで、評価セットでの精度は87.98%を達成

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、車両画像の分析に特化しています。

Google Vision Transformer (ViT)アーキテクチャに基づく画像分類モデルで、food101データセットでファインチューニングされ、食品画像分類タスクに使用されます

Vision Transformerアーキテクチャに基づく画像分類モデルで、CIFAR-100データセットでファインチューニングされ、精度は91.48%

このモデルはGoogle Vision Transformer (ViT)アーキテクチャに基づく画像分類モデルで、image_folderデータセットでファインチューニング後86.36%の精度を達成しました。

DiTはTransformerベースの文書画像分類モデルで、IIT-CDIPデータセットで事前学習され、RVL-CDIPデータセットでファインチューニングされています

bert-base-uncasedをdbpedia_14データセットでファインチューニングしたテキスト分類モデル、精度99.03%達成