AIbase
TW
模型選型
標籤
多尺度特徵融合

# 多尺度特徵融合

Sam2 Hiera Tiny.fb R896
Apache-2.0
基於HieraDet圖像編碼器的SAM2模型，專注於圖像特徵提取任務。
圖像分割 Transformers
S
timm
84
0
Sam2 Hiera Large.fb R1024 2pt1
Apache-2.0
基於HieraDet圖像編碼器的SAM2模型，專注於高效圖像特徵提取
圖像分割 Transformers
S
timm
31
0
Sam2 Hiera Large.fb R1024
Apache-2.0
基於timm庫的SAM2模型，僅包含HieraDet圖像編碼器部分，適用於圖像特徵提取任務。
圖像分割 Transformers
S
timm
747
0
Deeplabv3plus Tu Resnet18
MIT
基於PyTorch的語義分割模型，支持多種編碼器架構
圖像分割 Safetensors
D
smp-test-models
213
0
Fpn Tu Resnet18
MIT
基於PyTorch實現的FPN圖像分割模型，支持多種編碼器架構，適用於語義分割任務。
圖像分割
F
smp-test-models
217
0
Unetplusplus Tu Resnet18
MIT
基於PyTorch的語義分割模型，採用改進的UNet++架構，適用於圖像分割任務。
圖像分割
U
smp-test-models
215
0
Unet Tu Resnet18
MIT
基於PyTorch實現的Unet圖像分割模型，支持多種編碼器架構
圖像分割 Safetensors
U
smp-test-models
219
0
Leyolo Medium
LeYOLO是一個基於YOLO架構的目標檢測模型，提供多種尺寸版本（nano、small、medium、large），適用於即時目標檢測任務。
目標檢測 Transformers
L
lhollard
23
1
Rtdetr R101vd Coco O365
Apache-2.0
首個即時端到端目標檢測器，基於Transformer架構，消除非極大值抑制需求，在速度與精度上超越YOLO系列
目標檢測 Transformers 英語
R
PekingU
106.81k
7
Rtdetr R101vd
Apache-2.0
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。
目標檢測 Transformers 英語
R
PekingU
1,369
4
Rtdetr R50vd
Apache-2.0
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
目標檢測 Transformers 英語
R
PekingU
29.40k
27
Rtdetr R18vd
Apache-2.0
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
目標檢測 Transformers 英語
R
PekingU
11.98k
4
Rtdetr R50vd Coco O365
Apache-2.0
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。
目標檢測 Transformers 英語
R
PekingU
111.17k
11
Rtdetr R18vd Coco O365
Apache-2.0
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無NMS的高效檢測
目標檢測 Transformers 英語
R
PekingU
952
4
Rtdetr R34vd
Apache-2.0
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
目標檢測 Transformers 英語
R
PekingU
512
3
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase