# 食品圖像分類

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

該模型用於分類常見冰箱物品，支持識別多種食品和飲料類別。

基於Google Vision Transformer (ViT)架構的食品圖像分類模型，在Food101數據集上微調，準確率達90.9%

基於ViT架構的食物分類模型，在Food101數據集上微調，準確率達98.5%

基於ViT架構的食品圖像分類模型，在Food101數據集上微調，準確率達96%

基於ViT架構的食品圖像分類模型，在Food101數據集上微調，準確率達89.7%

基於Google Vision Transformer (ViT)架構的食品分類模型，在未知數據集上進行了微調

基於Google Vision Transformer (ViT)架構的圖像分類模型，在food101數據集上微調，用於食品圖像分類任務

該模型是基於Food-101數據集微調的視覺變換器（ViT），通過Optimum工具進行了INT8靜態量化並導出為OpenVINO中間表示格式，適用於高效圖像分類任務。

這是一個使用AutoTrain在food101數據集上訓練的食品圖像分類模型，準確率達到89%

這是一個基於Google的ViT模型微調的印度食物圖像分類模型，準確率達93.3%。

基於Swin Transformer架構在Food101數據集上微調的圖像分類模型，準確率達92.14%

基於Swin Transformer架構微調的食品圖像分類模型，在Food101數據集上達到92.1%的準確率

基於Google的ViT模型在Food101數據集上微調的圖像分類模型，準確率達到85.39%

這是一個基於PyTorch和HuggingPics生成的圖像分類模型，準確率達到90.18%。

一個基於PyTorch框架的圖像分類模型，能夠區分熱狗和三明治。