# COCO數據集

Mask2Former是基於Transformer的統一圖像分割模型，採用Swin-Large骨幹網絡並在COCO數據集上微調，專精實例分割任務

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是一種即時目標檢測模型，通過消除非極大值抑制（NMS）等後處理步驟，實現了高效且無額外開銷的目標檢測。

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。

Mask2Former是基於Transformer的統一圖像分割模型，支持實例分割、語義分割和全景分割任務，採用掩碼注意力機制提升性能

基於Swin骨幹網絡的Mask2Former小規模版本，專為COCO數據集全景分割任務優化

基於Swin骨幹網絡的Mask2Former大型版本，專為COCO數據集全景分割任務訓練的統一圖像分割模型

基於Swin骨幹網絡的Mask2Former模型，在COCO全景分割數據集上訓練，採用統一範式處理實例分割、語義分割和全景分割任務。

統一圖像分割的單一Transformer架構，支持語義分割、實例分割和全景分割三大任務

基於COCO 2017目標檢測數據集微調的YOLOS小尺寸模型，採用視覺Transformer架構實現高效目標檢測

基於COCO 2017目標檢測數據集微調的YOLOS模型，採用視覺Transformer架構，適用於目標檢測任務。

基於視覺Transformer（ViT）的目標檢測模型，使用DETR損失函數訓練，在COCO數據集上表現優異。

基於COCO 2017目標檢測數據集微調的YOLOS模型，使用視覺Transformer架構實現高效目標檢測。

基於Swin骨幹網絡、在COCO數據集上訓練的全景分割模型，統一處理實例/語義/全景分割任務

可變形DETR是一種端到端的目標檢測模型，結合了Transformer架構和可變形卷積的優勢，在COCO數據集上實現了高效的目標檢測。

基於Swin骨幹網絡的小型MaskFormer模型，在COCO數據集上訓練，用於全景分割任務。

DETR是基於Transformer架構的端到端目標檢測模型，採用ResNet-50作為骨幹網絡，在COCO數據集上訓練，支持目標檢測和全景分割任務。

基於COCO數據集訓練的全景分割模型，採用統一範式處理實例/語義/全景分割任務

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是一個結合卷積神經網絡和Transformer架構的端到端目標檢測模型，支持全景分割任務。

可變形DETR是一種端到端目標檢測模型，使用Transformer架構和可變形注意力機制改進檢測性能。

DETR是一個結合卷積神經網絡與Transformer的端到端目標檢測模型，支持全景分割任務。

基於Swin骨幹網絡的大規模MaskFormer模型，統一處理實例/語義/全景分割任務

DETR是一個基於Transformer架構的端到端目標檢測模型，使用ResNet-50作為骨幹網絡，並在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。

可變形檢測變換器（Deformable DETR）單尺度模型，專為目標檢測任務設計，採用端到端訓練方式，在COCO 2017數據集上表現優異。

DETR是一個基於Transformer架構的端到端目標檢測模型，使用ResNet-50作為骨幹網絡，在COCO數據集上訓練。