2025年最佳 1348 款圖像分類工具

基於ViT架構的NSFW圖像分類模型，通過監督學習在ImageNet-21k數據集上預訓練，並在80,000張圖像上微調，用於區分正常和NSFW內容。

基於Vision Transformer架構的圖像分類模型，在ImageNet-21k數據集上預訓練，適用於多類別圖像分類任務

基於DINOv2方法訓練的小尺寸視覺Transformer模型，通過自監督學習提取圖像特徵

基於ImageNet-21k預訓練和ImageNet微調的視覺變換器模型，用於圖像分類任務

基於ImageNet-21k數據集預訓練的視覺Transformer模型，用於圖像分類任務。

基於DINOv2方法訓練的視覺Transformer模型，通過自監督學習提取圖像特徵

一個基於PyTorch和HuggingPics構建的圖像分類模型，用於識別圖像中的性別

基於Vision Transformer (ViT)架構的圖像分類模型，專門用於檢測圖像是否包含NSFW（不安全）內容。

混合視覺變換器（ViT）模型結合了卷積網絡和Transformer架構，用於圖像分類任務，在ImageNet上表現出色。

這是一個基於PyTorch框架和HuggingPics工具生成的圖像分類模型，專門用於性別分類任務。

MobileViT是一種輕量級、低延遲的視覺Transformer模型，結合了CNN和Transformer的優勢，適用於移動端設備。

Phikon是基於iBOT訓練的組織病理學自監督學習模型，主要用於從組織學圖像塊中提取特徵。

基於timm倉庫轉換的ViT-Tiny模型，適用於圖像分類任務，使用方法與ViT-base模型一致

基於DINOv2方法訓練的視覺Transformer模型，通過自監督學習從海量圖像數據中提取魯棒視覺特徵

BEiT是一種基於視覺Transformer（ViT）的圖像分類模型，通過自監督方式在ImageNet-22k上預訓練，並在相同數據集上微調。

基於timm代碼庫轉換的ViT-tiny模型，適用於圖像分類任務

基於自監督學習DINOv2訓練的視覺Transformer模型，專門用於編碼胸部X光影像

Swin Transformer v2 是一種視覺Transformer模型，通過分層特徵圖和局部窗口自注意力機制實現高效的圖像分類。

Swin Transformer是一種基於移動窗口的分層視覺Transformer，適用於圖像分類任務。

EfficientNet是一種移動端友好的純卷積模型，通過複合係數統一縮放深度/寬度/分辨率維度，在圖像分類任務中表現優異。

ResNet-50是基於ImageNet-1k預訓練的殘差網絡模型，採用v1.5架構改進，適用於圖像分類任務。

MobileNet V2是一種輕量級的卷積神經網絡，專為移動設備設計，在延遲、模型大小和準確性之間取得平衡。

BEiT是一種基於視覺Transformer(ViT)架構的圖像分類模型，通過自監督學習在ImageNet-21k上預訓練，並在ImageNet-1k上微調。

Prov-GigaPath是一個基於真實世界數據的數字病理學全切片基礎模型，用於提取病理切片的圖塊級和切片級特徵。

基於Transformer架構的大規模圖像分類模型，在ImageNet-21k和ImageNet-1k數據集上預訓練和微調

一個用於分類人類皮膚類型的圖像分類模型，致力於實現公平性，確保模型在所有膚色上都能正確表現。

視覺變換器（ViT）是一種基於變換器架構的圖像分類模型，先在ImageNet-21k上預訓練，後在ImageNet上微調。

輕量級NSFW圖像檢測模型，準確率98.56%，體積僅為同類模型的1/18-1/20

DeiT是一種通過注意力機制訓練的數據高效圖像Transformer模型，在ImageNet-1k數據集上以224x224分辨率進行預訓練和微調。

基於ImageNet-1k訓練的ResNet模型，採用殘差連接結構，支持圖像分類任務

基於Vision Transformer架構的圖像分類模型，用於檢測真實圖像與AI生成的偽造圖像。

基於DINO自監督方法訓練的視覺Transformer模型，採用ViT架構，在ImageNet-1k數據集上預訓練。

帶有寄存器的視覺變換器（ViT）圖像特徵模型，使用自監督的DINOv2方法在LVD-142M數據集上進行預訓練。

該視覺Transformer（ViT）模型先在ImageNet-21k數據集上預訓練，後在ImageNet數據集上微調，適用於圖像分類任務。

採用DINOv2方法訓練的視覺Transformer模型，通過自監督學習提取圖像特徵

基於DINO方法自監督訓練的視覺Transformer模型，使用8x8圖像塊處理，適用於圖像特徵提取任務

Swin Transformer是一種分層視覺Transformer，通過局部窗口計算自注意力實現線性計算複雜度，適合圖像分類任務。

該模型是基於BEiT架構在PETA數據集上微調的圖像分類模型，用於識別行人性別，準確率達91.07%。

基於ImageNet-21k數據集預訓練的視覺Transformer模型，適用於圖像特徵提取和下游任務微調。

基於視覺Transformer（ViT）的圖像特徵模型，採用自監督DINO方法訓練，適用於圖像分類和特徵提取任務。

MobileNet V2 是一個輕量級的視覺模型，專為移動設備優化，在圖像分類任務上表現優異。

基於Google Vision Transformer微調的NSFW（不適宜工作場所）內容檢測模型，可識別5類圖像內容