# 高精度圖像識別

基於Google Vision Transformer (ViT)微調的寵物品種分類模型，在Oxford-IIIT寵物數據集上達到94.45%準確率

基於MobileNetV2架構的植物病害圖像分類模型，在圖像分類任務上達到97.77%的準確率

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

基於Google的ViT模型微調，用於住宿房間圖像分類，驗證集準確率達87.5%

基於Google的ViT模型在豆類數據集上微調的圖像分類模型，準確率達97.74%

這是一個通過AutoTrain訓練的天文攝影物體分類模型，能夠準確識別天文攝影中的不同物體類別。

基於平衡數據集訓練的植物幼苗分類模型，在測試集上準確率達94.67%

基於ViT架構的二分類模型，用於區分汽車和摩托車圖像，準確率達99.38%

基於Google的ViT模型在豆類數據集上微調的高精度圖像分類模型

基於微軟ResNet-152架構微調的表情包分類模型，在圖像分類任務上表現良好。

該模型是基於Dogs vs Food數據集訓練的ConvNeXt-Tiny架構圖像分類模型，專門用於區分狗和食物的圖像。

基於Swin Transformer架構的零食圖像分類模型，在零食數據集上微調後準確率達到94.55%

這是一個基於DeiT架構的圖像分類模型，專門用於岩石顆粒分類任務。

基於ImageNet-1k數據集預訓練的深度殘差網絡模型，用於圖像分類任務

基於ImageNet數據集預訓練的深度殘差網絡模型，用於圖像分類任務。