# 高精度圖像分類

感知編碼器（PE）是通過簡單視覺-語言學習訓練出的最先進的圖像與視頻理解編碼器，在多種視覺任務上均達到最先進性能。

首個結合Mamba與Transformer優勢的計算機視覺混合模型，通過重構Mamba公式增強視覺特徵建模效率，在Mamba架構最後幾層引入自注意力模塊提升長程空間依賴建模能力。

首個融合曼巴(Mamba)與Transformer優勢的計算機視覺混合模型，通過重構曼巴公式增強視覺特徵建模效率，並在曼巴架構末端引入自注意力模塊提升長程空間依賴建模能力。

基於ResNet-50架構的預訓練模型，專門針對中亞食物圖像分類任務進行微調，支持34種中亞食物分類。

基於Vision Transformer架構的智能電視手勢識別模型，能夠準確分類9種常見手勢。

基於Google Vision Transformer (ViT)架構的圖像分類模型，專門針對beans數據集進行微調

這是一個基於自動訓練的圖像分類模型，能夠識別多種常見物體類別

基於microsoft/resnet-50微調的貓狗圖像分類模型，在評估集上準確率達95%

基於ResNet-50架構微調的圖像分類模型，專門用於區分貓和狗的圖像，準確率達96.88%。

基於ResNet-50微調的番茄葉病圖像分類模型，準確率達99.56%

基於Google Vision Transformer (ViT)架構微調的番茄葉片病害分類模型，在評估集上準確率達99.67%

這是一個基於AutoTrain訓練的AI圖像分類模型，能夠準確識別和分類多種圖像內容。

AIMv2是通過多模態自迴歸目標預訓練的視覺模型系列，在多個視覺理解基準測試中表現優異。

AIMv2 是通過多模態自迴歸目標預訓練的視覺模型系列，在多個視覺理解基準測試中表現優異。

AIMv2是通過多模態自迴歸目標預訓練的視覺模型系列，在多個基準測試中表現優異。

AIMv2是基於多模態自迴歸目標預訓練的視覺模型系列，在多個基準測試中表現優異

AIMv2 是一個通過多模態自迴歸目標預訓練的視覺模型系列，在多個多模態理解基準測試中表現優異。

AIMv2 是通過多模態自迴歸目標預訓練的視覺模型系列，在多項多模態理解基準測試中表現優異。

AIMv2 是通過多模態自迴歸目標預訓練的視覺模型系列，在多個視覺理解基準測試中表現優異。

AIMv2是基於多模態自迴歸目標預訓練的視覺模型系列，在多項視覺任務中表現優異。

AIMv2是通過多模態自迴歸目標預訓練的視覺模型系列，在多項基準測試中表現優異

AIMv2 是通過多模態自迴歸目標預訓練的視覺模型系列，在多項視覺任務中表現優異。

AIMv2 是通過多模態自迴歸目標預訓練的視覺模型系列，在多項基準測試中表現優異。

AIMv2是通過多模態自迴歸目標預訓練的視覺模型系列，在多項視覺任務中表現優異。

這是一個基於Vision Transformer (ViT)和BEiT架構的圖像分類模型，專門用於識別印度尼西亞蠟染圖案。

首個結合Mamba與Transformer優勢的計算機視覺混合模型，通過重新設計Mamba公式增強視覺特徵建模能力

該模型是基於Google的ViT-base-patch16-224在圖像文件夾數據集上微調的圖像分類模型，驗證集準確率達89.21%。

基於Google Vision Transformer (ViT)架構微調的圖像分類模型，用於區分AI生成圖像與真實圖像

基於Google的ViT模型在cats_vs_dogs數據集上微調的圖像分類模型，用於區分貓和狗的圖像。

基於google/vit-base-patch16-224微調的視覺模型，在評估集上F1分數達到0.9931

該模型是基於google/vit-base-patch16-224-in21k在CIFAR10數據集上微調的圖像分類模型，準確率達96.78%。

基於Vision Transformer (ViT)架構在CIFAR-10數據集上微調的圖像分類模型，準確率達99.2%

基於Google Vision Transformer架構的圖像分類模型，專為內容審核任務微調，在測試集上達到90.43%準確率

這是一個用於圖像分類任務的模型，支持英文語言，採用開放許可。

基於Swin Transformer架構的微小模型，專為CIFAR-10圖像分類任務微調

基於google/vit-base-patch16-224-in21k微調的圖像分類模型，在豆類數據集上達到97.74%的準確率

基於DeiT-tiny架構的輕量級圖像分類模型，在自定義圖像數據集上微調後達到98.56%的驗證準確率

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。

這是一個基於ImageNet-1k數據集訓練的視覺圖像分類模型，能夠識別多種常見物體和場景。

基於CLIP ViT-Large模型在Fruits-360數據集上微調的高精度水果圖像分類模型