# 転移学習最適化

OpenAI Whisper-mediumをファインチューニングしたハイチクレオール語音声認識モデル、高精度な書き起こしに特化

Google Vision Transformer (ViT)アーキテクチャに基づく画像分類モデルで、beansデータセットに特化してファインチューニングされています

bert-base-multilingual-casedをファインチューニングしたモデルで、評価セットで99.93%の精度を達成

OpenCLIPフレームワークに基づくVision Transformerモデルで、ゼロショット画像分類タスク向けにファインチューニングされています

このモデルは、ユーザーが20の質問に回答した内容を分析し、ビッグファイブ性格特性（OCEAN）の傾向を97%の精度で予測します

このモデルはfacebook/convnextv2-large-22k-224を犬種分類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、評価セットで91.39%の精度を達成しました。

SegFormer-B5アーキテクチャに基づく画像セグメンテーションモデルで、より大きなサイズの画像データセットでファインチューニングされており、背景と分岐領域の区別に優れています

google/vit-base-patch16-224-in21kをファインチューニングした画像分類モデル、植物分類タスクに適応

ViTアーキテクチャに基づく植物画像分類モデルで、未知のデータセットで微調整後、99.95%の検証精度を達成

DeiT-tinyアーキテクチャに基づく軽量画像分類モデルで、カスタム画像データセットで微調整後98.56%の検証精度を達成

BEiTアーキテクチャに基づく事前学習済み画像分類モデルで、ベトナム語タグをサポートし、視覚タスクに適しています

ConvNeXt-Tinyアーキテクチャに基づくコンピュータビジョンモデルで、特定のデータセットで微調整後、画像分類タスクに使用

Swin Transformerアーキテクチャに基づくファインチューニング画像分類モデルで、画像フォルダデータセットで99.17%の検証精度を達成

Swin Transformerアーキテクチャに基づく鳥類画像分類モデル、鳥類データセットでファインチューニングされ、精度は82.15%

GoogleのViTモデルを花卉画像データセットでファインチューニングしたVision Transformerモデル

microsoft/beit-base-patch16-224-pt22k-ft22kモデルを画像フォルダ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

Vision Transformerベースの画像分類モデルで、街景画像中の植生部分を識別し、精度は92.9%に達します。

DeiT-tinyアーキテクチャに基づく軽量画像分類モデル、カスタム画像データセットで微調整後94.8%の精度を達成

SwinV2アーキテクチャに基づく軽量画像分類モデルで、画像フォルダデータセットでファインチューニングされ、97.83%の精度を達成

これはSwin Transformerアーキテクチャに基づく視覚モデルで、ファインチューニング後に画像分類タスクで優れた性能を発揮します。

このモデルはSwin Transformer V2 Tinyアーキテクチャを基に微調整された画像分類モデルで、評価セットで96.35%の精度を達成しました。

このモデルはmicrosoft/beit-base-patch16-224-pt22k-ft22kをファインチューニングしたバージョンで、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。

Swin Transformer Tinyアーキテクチャに基づく視覚モデルで、未知の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

google/vit-base-patch16-224-in21kをファインチューニングした画像分類モデルで、テストセットでの精度は91%

Swin Transformer Tinyアーキテクチャに基づくファインチューニング画像分類モデル、画像フォルダデータセットでトレーニング済み

Swin Transformer Tinyアーキテクチャに基づく微調整モデルで、画像分類タスクに使用されます

ConvNeXt-Tinyアーキテクチャに基づく微調整画像分類モデルで、EuroSATデータセットで98.15%の精度を達成

Google Vision Transformer (ViT)アーキテクチャに基づく微調整モデルで、画像分類タスクに適しています

このモデルはSwin Transformerアーキテクチャに基づく画像分類モデルで、CIFAR-10データセットでファインチューニング後98.9%の精度を達成しています。

Google Vision Transformer (ViT)アーキテクチャに基づく二分類画像分類モデルで、特定のデータセットで微調整され高精度分類を実現

Google Vision Transformer (ViT)モデルを基に微調整した画像分類モデルで、カスタム画像データセットでトレーニング済み

bert-base-multilingual-casedをsquad_v2データセットで微調整した多言語QAモデル

BEiTアーキテクチャに基づく画像分類モデルで、画像フォルダデータセットでファインチューニングされ、精度98.7%を達成

GoogleのViT-Largeモデルを微調整したメラノーマ画像分類モデルで、評価セットで82.73%の精度を達成

BEiTアーキテクチャに基づく視覚Transformerモデルで、MNIST手書き数字データセットで微調整され、99.35%の精度を達成

このモデルはfacebook/convnext-tiny-224を微調整したバージョンで、主に画像分類タスクに使用され、評価セットで優れた性能を示しています。

GoogleのViT-baseモデルを微調整した高精度画像分類モデルで、評価セットで91.81%の精度を達成

google/vit-base-patch16-224-in21kモデルをsudo-s/herbier_mesuem1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で、精度は91.29%

このモデルはSwin Transformerアーキテクチャを基にした微調整版で、MRI画像分類タスク専用に設計されており、評価セットで98.07%の精度を達成しました。

GPTuzはGPT-2小型モデルを基にしたウズベク語の先進的な言語モデルで、転移学習とファインチューニング技術によって訓練されています。