2025年最佳的 1348 个图像分类工具

基于ViT架构的NSFW图像分类模型，通过监督学习在ImageNet-21k数据集上预训练，并在80,000张图像上微调，用于区分正常和NSFW内容。

基于Vision Transformer架构的图像分类模型，在ImageNet-21k数据集上预训练，适用于多类别图像分类任务

基于DINOv2方法训练的小尺寸视觉Transformer模型，通过自监督学习提取图像特征

基于ImageNet-21k预训练和ImageNet微调的视觉变换器模型，用于图像分类任务

基于ImageNet-21k数据集预训练的视觉Transformer模型，用于图像分类任务。

基于DINOv2方法训练的视觉Transformer模型，通过自监督学习提取图像特征

一个基于PyTorch和HuggingPics构建的图像分类模型，用于识别图像中的性别

基于Vision Transformer (ViT)架构的图像分类模型，专门用于检测图像是否包含NSFW（不安全）内容。

混合视觉变换器（ViT）模型结合了卷积网络和Transformer架构，用于图像分类任务，在ImageNet上表现出色。

这是一个基于PyTorch框架和HuggingPics工具生成的图像分类模型，专门用于性别分类任务。

MobileViT是一种轻量级、低延迟的视觉Transformer模型，结合了CNN和Transformer的优势，适用于移动端设备。

Phikon是基于iBOT训练的组织病理学自监督学习模型，主要用于从组织学图像块中提取特征。

基于timm仓库转换的ViT-Tiny模型，适用于图像分类任务，使用方法与ViT-base模型一致

基于DINOv2方法训练的视觉Transformer模型，通过自监督学习从海量图像数据中提取鲁棒视觉特征

BEiT是一种基于视觉Transformer（ViT）的图像分类模型，通过自监督方式在ImageNet-22k上预训练，并在相同数据集上微调。

基于timm代码库转换的ViT-tiny模型，适用于图像分类任务

基于自监督学习DINOv2训练的视觉Transformer模型，专门用于编码胸部X光影像

Swin Transformer v2 是一种视觉Transformer模型，通过分层特征图和局部窗口自注意力机制实现高效的图像分类。

Swin Transformer是一种基于移动窗口的分层视觉Transformer，适用于图像分类任务。

EfficientNet是一种移动端友好的纯卷积模型，通过复合系数统一缩放深度/宽度/分辨率维度，在图像分类任务中表现优异。

ResNet-50是基于ImageNet-1k预训练的残差网络模型，采用v1.5架构改进，适用于图像分类任务。

MobileNet V2是一种轻量级的卷积神经网络，专为移动设备设计，在延迟、模型大小和准确性之间取得平衡。

BEiT是一种基于视觉Transformer(ViT)架构的图像分类模型，通过自监督学习在ImageNet-21k上预训练，并在ImageNet-1k上微调。

Prov-GigaPath是一个基于真实世界数据的数字病理学全切片基础模型，用于提取病理切片的图块级和切片级特征。

基于Transformer架构的大规模图像分类模型，在ImageNet-21k和ImageNet-1k数据集上预训练和微调

一个用于分类人类皮肤类型的图像分类模型，致力于实现公平性，确保模型在所有肤色上都能正确表现。

视觉变换器（ViT）是一种基于变换器架构的图像分类模型，先在ImageNet-21k上预训练，后在ImageNet上微调。

轻量级NSFW图像检测模型，准确率98.56%，体积仅为同类模型的1/18-1/20

DeiT是一种通过注意力机制训练的数据高效图像Transformer模型，在ImageNet-1k数据集上以224x224分辨率进行预训练和微调。

基于ImageNet-1k训练的ResNet模型，采用残差连接结构，支持图像分类任务

基于Vision Transformer架构的图像分类模型，用于检测真实图像与AI生成的伪造图像。

基于DINO自监督方法训练的视觉Transformer模型，采用ViT架构，在ImageNet-1k数据集上预训练。

带有寄存器的视觉变换器（ViT）图像特征模型，使用自监督的DINOv2方法在LVD-142M数据集上进行预训练。

该视觉Transformer（ViT）模型先在ImageNet-21k数据集上预训练，后在ImageNet数据集上微调，适用于图像分类任务。

采用DINOv2方法训练的视觉Transformer模型，通过自监督学习提取图像特征

基于DINO方法自监督训练的视觉Transformer模型，使用8x8图像块处理，适用于图像特征提取任务

Swin Transformer是一种分层视觉Transformer，通过局部窗口计算自注意力实现线性计算复杂度，适合图像分类任务。

该模型是基于BEiT架构在PETA数据集上微调的图像分类模型，用于识别行人性别，准确率达91.07%。

基于ImageNet-21k数据集预训练的视觉Transformer模型，适用于图像特征提取和下游任务微调。

基于视觉Transformer（ViT）的图像特征模型，采用自监督DINO方法训练，适用于图像分类和特征提取任务。

MobileNet V2 是一个轻量级的视觉模型，专为移动设备优化，在图像分类任务上表现优异。

基于Google Vision Transformer微调的NSFW（不适宜工作场所）内容检测模型，可识别5类图像内容