# 高精度檢測

基於 DETR 架構的目標檢測模型，適用於通用物體檢測任務

YOLOE是一個即時視覺全能模型，支持零樣本目標檢測等多種視覺任務。

這是一個基於DistilBERT的虛假新聞檢測模型，能夠根據文本內容將新聞文章分類為真實或虛假。

RT-DETRv2是一種改進的即時目標檢測Transformer模型，通過選擇性多尺度特徵提取和動態數據增強等策略提升性能。

RT-DETRv2是改進版即時檢測變換器，通過引入即插即用優化方案提升靈活性與實用性，並優化訓練策略實現更強性能。

該模型基於DistilBERT架構，專為多標籤分類任務設計，用於判斷郵件和URL是否安全或存在釣魚風險。

該模型基於DistilBERT構建，經過微調後可對郵件和URL進行多標籤分類，判斷其是否安全或存在潛在的網絡釣魚風險。

基於YOLOv11的目標檢測模型，專門用於跌倒檢測

Florence-2是微軟開發的先進視覺基礎模型，採用基於提示的架構統一處理各類視覺與視覺-語言任務

基於CodeBERT-base微調的Solidity智能合約漏洞檢測模型

基於MIT/ast-finetuned-audioset-10-10-0.4593微調的合成語音檢測模型，用於識別音頻是否為合成語音。

Florence-2是微軟開發的先進視覺基礎模型，採用基於提示的方法處理廣泛的視覺和視覺語言任務。

Florence-2是微軟開發的先進視覺基礎模型，採用基於提示的方法處理廣泛的視覺和視覺語言任務。

Florence-2是微軟開發的先進視覺基礎模型，採用基於提示的方法處理各類視覺與視覺-語言任務。

基於Vision Transformer(ViT)架構優化的暴力行為檢測模型，能夠將圖像分類為暴力或非暴力場景。

RT-DETR是首個即時端到端目標檢測器，通過混合編碼器和查詢選擇機制實現高效檢測，無需NMS後處理。

YOLOv10x 是 YOLO 系列的最新版本，專注於即時端到端目標檢測，提供更高的檢測精度和更快的推理速度。

YOLOv10 是一個即時端到端目標檢測模型，由清華大學團隊開發，基於 YOLO 系列的最新改進版本。

YOLOv10 是一個即時端到端目標檢測模型，由清華大學團隊開發，基於 YOLO 系列的最新改進版本。

YOLOv10 是清華大學提出的即時端到端目標檢測模型，具有高效和精準的特點。

YOLOv10是清華大學提出的即時端到端目標檢測模型，在速度和精度上均有顯著提升。

YOLOv10是清華大學提出的即時端到端目標檢測模型，具有高效和準確的特點。

RT-DETR是首個即時端到端目標檢測器，通過高效混合編碼器和查詢選擇機制實現超越YOLO系列的速度與精度平衡

YOLOv10 是一種高效的無額外代價即時目標檢測模型，通過優化架構和訓練策略，在保持即時性的同時提升了檢測精度。

RT-DETR是首個即時端到端目標檢測Transformer模型，通過高效混合編碼器和查詢選擇機制實現無NMS的高效檢測

RT-DETR是首個即時端到端目標檢測器，通過高效混合編碼器和不確定性最小化查詢選擇機制，在COCO數據集上達到53.1% AP，108 FPS的性能。

該模型是一個用於檢測AI生成圖像的分類器，在評估集上取得了97.36%的準確率。

RT-DETR是首個即時端到端目標檢測Transformer模型，通過高效混合編碼器和查詢選擇機制實現高速高精度檢測

基於Swin Transformer架構的腦瘤檢測模型，在圖像分類任務上達到98.04%的準確率

基於facebook/detr-resnet-50微調的模型，用於目標檢測任務

基於MobileBERT的輕量級模型，用於檢測輸入字符串中的SQL注入攻擊，適用於邊緣計算場景。

基於facebook/detr-resnet-50微調的模型，具體用途未明確說明

基於Roboflow手勢數據集微調的YOLOv8x模型，專注於手勢識別任務

基於facebook/detr-resnet-50微調的模型，用於目標檢測任務

Deformable DETR是基於Transformer架構的目標檢測模型，在LVIS數據集上訓練，支持1203個類別的物體檢測。

DETR是一個使用Transformer架構的端到端目標檢測模型，採用ResNet-101作為骨幹網絡，在COCO數據集上訓練。

DETR是一個使用Transformer進行端到端目標檢測的模型，採用ResNet-101作為骨幹網絡並在COCO數據集上訓練。