# 高精度認識

超軽量級の韓国語テキスト行認識モデルで、韓国語と数字文字の認識をサポートし、平均正解率は60.21%です。

PaddleOCRチームが開発した超軽量級のラテン語テキスト行認識モデルで、ラテン語と数字文字の認識をサポートします。

PaddleOCRチームが開発した超軽量級のアラビア文字認識モデルで、アラビア文字と数字文字の認識をサポートします。

Apache-2.0ライセンスに基づく画像テキスト変換モデルで、画像からテキスト情報を抽出し編集可能なテキスト形式に変換できます。

ResNet-50は深層残差ネットワークで、マイクロソフトリサーチによって開発され、画像分類タスクに広く使用されています。

これはYOLOv3アーキテクチャをベースにファインチューニングされた物体検出モデルで、特定シナリオ向けに最適化されています

YOLOv8はUltralyticsが開発した効率的な物体検出モデルで、YOLO（You Only Look Once）アーキテクチャに基づいており、リアルタイム物体検出タスクに適しています。

画像内のテキスト情報を抽出し、編集可能なテキスト内容に変換することに特化しています。

MCG-NJU/videomae-largeモデルをディープフェイク検出コンペティションの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、動画のディープフェイク検出に使用されます。

Wav2Vec2 Large XLSR-53モデルをファインチューニングした音声感情認識システムで、7つの一般的な感情を認識可能

YOLOv10はリアルタイム物体検出モデルで、非極大抑制（NMS）などの後処理ステップを排除することで、効率的で追加コストのない物体検出を実現しています。

creativeml-openrail-mライセンスに基づく顔検出モデルで、英語をサポートし、主に物体検出タスクに使用されます。

YOLOv10はリアルタイムのエンドツーエンド物体検出モデルで、効率的な推論速度と高い検出精度を備えています。

YOLOv10はリアルタイムのエンドツーエンド物体検出モデルで、効率的なレイテンシーと精度、サイズと精度のトレードオフを備えています。

YOLOv10は清華大学MIG研究所が開発した高効率なリアルタイム物体検出モデルで、エンドツーエンド検出機能を提供します。

YOLOv10はリアルタイムエンドツーエンド物体検出モデルで、効率的な検出性能と精度のバランスを提供します。

TrOCRは、Transformerベースの光学文字認識モデルで、画像からテキストコンテンツを抽出するために使用されます。

画像からナンバープレート番号を抽出できる車両ナンバープレート認識用のビジュアルモデルサンプルです。

MAGEは開放環境で機械生成されたテキストを検出するためのモデルで、AIによって生成されたテキストコンテンツを識別することを目的としています。

XLM-RoBERTaを基にした多言語検出モデルで、テキストの言語カテゴリを識別できます。

中国語の請求書認識に特化したAIモデルで、請求書のキー情報を正確に抽出できます。

BERTを使用してファインチューニングされたSMS分類モデルで、スパムと非スパムを区別します。

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。

これはTransformerベースのOCRモデルで、ペルシャ語のテキスト画像認識に特化しています。

このモデルはGoogleのViT-Largeアーキテクチャを基に、ファッション画像の性別年齢分類データセットでファインチューニングされたVision Transformerモデルで、評価セットで99.6%の精度を達成しました。

画像の内容をテキスト説明に変換できるモデルで、様々な視覚理解タスクに適用可能です。

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

Transformerアーキテクチャに基づくエンドツーエンドの物体検出モデル、ResNet-101特徴抽出器を組み合わせ

植物の葉の状態を分類するための視覚モデルで、葉の健康状態を正確に識別・分析できます。

GoogleのViTモデルをfood101データセットでファインチューニングした食品分類モデル

Google Vision Transformer (ViT)アーキテクチャに基づく食品画像分類モデルで、Food101データセットでファインチューニングされ、精度は90.9%を達成

microsoft/resnet-50をファインチューニングしたアニメ顔認識モデルで、画像分類タスクで良好な性能を発揮します。

ViTアーキテクチャに基づく食品画像分類モデル、Food101データセットでファインチューニングされ、精度は89.7%

google/vit-base-patch16-224-in21kをファインチューニングしたビジョントランスフォーマーモデル、未知のデータセットで70%の精度を達成

AutoTrainでトレーニングされた二項分類モデルで、猫と犬の画像を正確に区別できます

facebook/wav2vec2-base-960hをasvspoof2019データセットでファインチューニングした音声ディープフェイク検出モデル

Swin Transformer Tinyアーキテクチャに基づく農業視覚画像分類モデル、imagefolderデータセットで微調整され、精度は92.03%を達成

microsoft/trocr-base-printedをベースにした派生モデルで、印刷テキストのOCR認識タスクに特化しています。

google/vit-base-patch16-224-in21kをベースにherbier_mesuem5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%