# 二分匹配損失

YOLOS是基於視覺Transformer（ViT）的目標檢測模型，採用DETR損失訓練，在COCO數據集上表現優異。

YOLOS是一種使用視覺Transformer（ViT）架構的目標檢測模型，通過DETR損失訓練，在COCO和Matterport氣球數據集上微調。

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。

YOLOS是一種基於視覺Transformer（ViT）的目標檢測模型，通過DETR損失訓練，在COCO數據集上達到42 AP的性能。

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。

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。

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。

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。