# 多類別識別

該模型旨在對新聞文章進行分類，幫助用戶快速識別和整理新聞內容。

基於google/siglip2-base-patch16-224微調的食物圖像分類模型，可識別101種流行菜餚

該模型是基於Logiroad/route_background_semantic_x2在Logiroad/route_background_semantic數據集上微調的圖像分割模型，主要用於道路背景語義分割任務。

基於PyTorch的圖像分割模型，採用Transformer架構進行密集預測任務

基於SigLIP2架構微調的時尚圖像分類模型，專為Fashion-MNIST數據集設計

這是一個基於Apache-2.0許可證的圖像分類模型，專門用於識別30種不同類型的植物。

在Food101數據集上微調的EfficientNetB4圖像分類模型，支持101種食物類別識別

基於Vision Transformer(ViT)的服裝圖像分類模型，準確率約78%

這是一個針對識別文本中食品雜貨和食品類別進行微調的GLiNER模型，支持14種不同類別的食品雜貨識別。

DETR是一種基於Transformer的目標檢測模型，採用端到端的方式處理目標檢測任務，無需複雜的後處理步驟。

基於YOLOv9架構的反恐精英2(CS2)玩家目標檢測模型，支持識別遊戲中的玩家角色

基於 YOLOv9 的目標檢測模型，適配 Transformers.js，支持在瀏覽器中運行

基於 YOLOv9 (GELAN-C) 架構的目標檢測模型，專為 Transformers.js 優化的 ONNX 版本

YOLOv9-C 是基於 YOLOv9 架構的目標檢測模型，適用於即時檢測圖像中的多種物體。

基於Food101數據集訓練的食品圖像分類模型，準確率達88.31%

基於facebook/wav2vec2-base-960h的語音口音多分類模型，用於識別不同口音的語音。

基於AutoTrain訓練的多類別圖像分類模型，專注於太陽能板目標檢測任務

這是一個由HuggingPics生成的圖像分類模型，能夠對多種圖像進行分類，如動物、鳥類和國旗等。

基於DeBERTa-v3架構的葡萄牙語零樣本分類模型，適用於無需微調即可執行文本分類任務

一個通用的圖像分類模型，能夠識別和分類輸入圖像中的對象

這是一個通過AutoTrain訓練的多類別圖像分類模型，能夠識別多種常見物體和場景。

基於PyTorch框架，使用今日頭條數據集訓練的中文新聞分類模型，適用於中文文本分類學習場景。

這是一個使用AutoTrain訓練的多類別圖像分類模型，在自行車相關數據集上表現出色。

使用AutoTrain訓練的多類別圖像分類模型，支持對常見物體進行分類識別

使用AutoTrain訓練的多類別圖像分類模型，在測試數據集上表現出色

這是一個通過AutoTrain訓練的多類別圖像分類模型，在驗證集上表現出色，準確率達到97.4%。

這是一個使用AutoTrain訓練的多類別圖像分類模型，在驗證集上表現出色，準確率達到98.9%。

基於nvidia/mit-b0微調的語義分割模型，用於建築立面圖像分割任務

基於Google Vision Transformer (ViT)架構的預訓練模型，在EuroSat數據集上進行了微調，適用於遙感圖像分類任務。

這是一個基於HuggingPics生成的圖像分類模型，主要用於對特定類型（genres）的圖像進行分類。

這是一個使用AutoTrain訓練的多類別圖像分類模型，能夠識別多種物體類別。

基於YOLOv8的室內場景分類模型，用於識別和分類多種室內場景。

這是一個由HuggingPics生成的圖像分類模型，準確率達到94.12%。

這是一個通過AutoTrain訓練的多類別圖像分類模型，在測試數據集上表現出完美分類性能

這是一個使用AutoTrain訓練的多類別圖像分類模型，在驗證集上表現出色，準確率達到94.1%。

這是一個使用AutoTrain訓練的多類別圖像分類模型，基於ConvNeXt架構，適用於通用圖像分類任務。

這是一個通過AutoTrain訓練的多類別圖像分類模型，能夠識別多種常見物體類別

基於ViT架構的胃腸道圖像分類模型，用於從結腸鏡檢查圖像中診斷多種病症

這是一個通過AutoTrain訓練的高性能圖像分類模型，在驗證集上達到了99.8%的準確率。

由HuggingPics生成的圖像分類模型，用於識別特定類別的圖像