# 高效圖像分類

一個輕量級的RDNet圖像分類模型，在ImageNet-1k數據集上訓練，參數量24M，top-1準確率82.8%。

LSNet是一個受人類視覺系統動態異尺度能力啟發的輕量級視覺模型家族，在多種視覺任務中實現了性能與效率的平衡。

Hiera是一種分層式視覺Transformer模型，兼具快速、強大且簡潔的特點，在廣泛圖像與視頻任務中超越現有技術水平的同時顯著提升了運行速度。

EfficientNet是一款移動端友好的純卷積模型，通過複合係數統一縮放深度/寬度/分辨率維度，在ImageNet-1k數據集上訓練

EfficientNet是一種對移動設備友好的純卷積模型，通過複合係數統一縮放深度/寬度/分辨率維度，在ImageNet-1k數據集上訓練。

EfficientNet是一款移動端友好的純卷積神經網絡，通過複合係數統一調整深度/寬度/分辨率維度，實現高效縮放

EfficientNet是一種移動端友好的純卷積模型，通過複合係數統一縮放深度/寬度/分辨率維度，在圖像分類任務中表現優異。

EfficientNetV2 是一個高效的卷積神經網絡架構，特別優化了訓練速度和參數效率。61通道版是該架構的一個變體。

LeViT-128S是基於ImageNet-1k數據集預訓練的視覺Transformer模型，結合了卷積網絡的優勢以實現更快推理。

LeViT-192是一種結合了卷積神經網絡和Transformer架構的視覺模型，專注於圖像分類任務。

LeViT-384是基於ImageNet-1k數據集預訓練的視覺Transformer模型，結合了卷積網絡的優勢以實現更快的推理速度。

基於imagenet-1k訓練的RegNet圖像分類模型，通過神經架構搜索設計的高效網絡結構

DeiT是一種高效訓練的視覺Transformer模型，在ImageNet-1k數據集上預訓練和微調，適用於圖像分類任務。

ReXNet-1.3x是基於ReXNet架構的圖像分類模型，在ImageNette數據集上進行了預訓練。該模型通過改進殘差塊中的Squeeze-Excitation層來減少通道冗餘。

ReXNet-1.5x 是一個基於 ImageNette 數據集預訓練的輕量級圖像分類模型，採用 ReXNet 架構，通過改進殘差塊中的 Squeeze-Excitation 層來減少通道冗餘。