# 高精度识别

超轻量级韩语文本行识别模型，支持韩语和数字字符识别，平均准确率60.21%。

PaddleOCR团队开发的超轻量级拉丁语文本行识别模型，支持拉丁语和数字字符识别。

PaddleOCR团队开发的超轻量级阿拉伯字母识别模型，支持阿拉伯字母和数字字符识别。

一个基于Apache-2.0许可的图像文本转文本模型，能够从图像中提取文本信息并转换为可编辑的文本格式。

ResNet-50 是一个深度残差网络，由微软研究院开发，广泛用于图像分类任务。

基于RoBERTa-base微调的模型，用于检测AI生成的英文文本。

这是一个用于钓鱼攻击检测的数据集，主要用于训练BERT模型识别钓鱼网站。

这是一个基于YOLOv3架构进行微调的目标检测模型，专为特定场景下的目标识别任务优化

YOLOv8 是 Ultralytics 开发的一个高效的目标检测模型，基于 YOLO (You Only Look Once) 架构，适用于实时目标检测任务。

基于Google Vision Transformer (ViT)架构微调的植物识别模型，在评估集上达到80.96%的准确率

专注于将图像中的文本信息提取并转化为可编辑的文本内容

基于MCG-NJU/videomae-large模型在深度伪造检测挑战赛数据集上微调的版本，用于视频深度伪造检测。

基于Wav2Vec2 Large XLSR-53模型微调的语音情感识别系统，能够识别7种常见情感

基于Keras 3.x训练的恶意SQL检测模型，能识别多种SQL注入攻击向量

YOLOv10是一种实时目标检测模型，通过消除非极大值抑制（NMS）等后处理步骤，实现了高效且无额外开销的目标检测。

一个基于creativeml-openrail-m许可证的人脸检测模型，支持英文语言，主要用于目标检测任务。

YOLOv10是一种实时端到端目标检测模型，具有高效的推理速度和较高的检测精度。

YOLOv10是一种实时端到端目标检测模型，具有高效的延迟-精度和尺寸-精度权衡。

YOLOv10是实时端到端目标检测模型，提供高效的检测性能和精度平衡。

YOLOv10是清华大学MIG实验室开发的高效实时目标检测模型，提供端到端检测能力。

TrOCR 是一个基于Transformer的光学字符识别模型，用于从图像中提取文本内容。

一个用于识别车辆牌照的视觉模型示例，能够从图片中提取车牌号码。

MAGE是一个用于检测开放环境下机器生成文本的模型，旨在识别由AI生成的文本内容。

基于XLM-RoBERTa的多语言检测模型，能够识别文本的语言类别。

一个专注于中文发票识别的AI模型，能够准确提取发票中的关键信息。

使用BERT进行微调的短信分类模型，用于区分垃圾信息和非垃圾信息。

该模型是基于facebook/convnextv2-large-22k-224在狗品种分类数据集上微调的版本，在评估集上准确率达到91.39%。

这是一个基于Transformer的OCR模型，专门用于识别波斯语文本图像。

该模型是基于Google的ViT-Large架构在时尚图像性别年龄分类数据集上微调的视觉Transformer模型，在评估集上取得了99.6%的准确率。

一个能够将图像内容转换为文本描述的模型，适用于多种视觉理解任务。

基于ViT架构的植物图像分类模型，在未知数据集上微调后达到99.95%的验证准确率

基于Transformer架构的端到端目标检测模型，结合ResNet-101特征提取器

一个用于叶片状态分类的视觉模型，能够准确识别和分析植物叶片的健康状况。

基于Google的ViT模型在food101数据集上微调的食品分类模型

基于Google Vision Transformer (ViT)架构的食品图像分类模型，在Food101数据集上微调，准确率达90.9%

基于microsoft/resnet-50微调的卡通人脸识别模型，在图像分类任务上表现良好。

基于ViT架构的食品图像分类模型，在Food101数据集上微调，准确率达89.7%

该模型是基于图像文件夹数据集对ConvNeXt-Tiny进行微调的版本，适用于图像分类任务。

基于google/vit-base-patch16-224-in21k微调的视觉Transformer模型，在未知数据集上达到70%准确率

使用AutoTrain训练的二元分类模型，能够准确区分猫和狗的图片