AIbase
ZH
模型选型
标签
多尺度特征融合

# 多尺度特征融合

Sam2 Hiera Tiny.fb R896
Apache-2.0
基于HieraDet图像编码器的SAM2模型，专注于图像特征提取任务。
图像分割 Transformers
S
timm
84
0
Sam2 Hiera Large.fb R1024 2pt1
Apache-2.0
基于HieraDet图像编码器的SAM2模型，专注于高效图像特征提取
图像分割 Transformers
S
timm
31
0
Sam2 Hiera Large.fb R1024
Apache-2.0
基于timm库的SAM2模型，仅包含HieraDet图像编码器部分，适用于图像特征提取任务。
图像分割 Transformers
S
timm
747
0
Deeplabv3plus Tu Resnet18
MIT
基于PyTorch的语义分割模型，支持多种编码器架构
图像分割 Safetensors
D
smp-test-models
213
0
Fpn Tu Resnet18
MIT
基于PyTorch实现的FPN图像分割模型，支持多种编码器架构，适用于语义分割任务。
图像分割
F
smp-test-models
217
0
Unetplusplus Tu Resnet18
MIT
基于PyTorch的语义分割模型，采用改进的UNet++架构，适用于图像分割任务。
图像分割
U
smp-test-models
215
0
Unet Tu Resnet18
MIT
基于PyTorch实现的Unet图像分割模型，支持多种编码器架构
图像分割 Safetensors
U
smp-test-models
219
0
Leyolo Medium
LeYOLO是一个基于YOLO架构的目标检测模型，提供多种尺寸版本（nano、small、medium、large），适用于实时目标检测任务。
目标检测 Transformers
L
lhollard
23
1
Rtdetr R101vd Coco O365
Apache-2.0
首个实时端到端目标检测器，基于Transformer架构，消除非极大值抑制需求，在速度与精度上超越YOLO系列
目标检测 Transformers 英语
R
PekingU
106.81k
7
Rtdetr R101vd
Apache-2.0
RT-DETR是首个实时端到端目标检测器，通过混合编码器和查询选择机制实现高效检测，无需NMS后处理。
目标检测 Transformers 英语
R
PekingU
1,369
4
Rtdetr R50vd
Apache-2.0
RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和查询选择机制实现超越YOLO系列的速度与精度平衡
目标检测 Transformers 英语
R
PekingU
29.40k
27
Rtdetr R18vd
Apache-2.0
RT-DETR是首个实时端到端目标检测Transformer模型，通过高效混合编码器和查询选择机制实现无NMS的高效检测
目标检测 Transformers 英语
R
PekingU
11.98k
4
Rtdetr R50vd Coco O365
Apache-2.0
RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和不确定性最小化查询选择机制，在COCO数据集上达到53.1% AP，108 FPS的性能。
目标检测 Transformers 英语
R
PekingU
111.17k
11
Rtdetr R18vd Coco O365
Apache-2.0
首个实时端到端目标检测器，通过混合编码器和查询选择机制实现无NMS的高效检测
目标检测 Transformers 英语
R
PekingU
952
4
Rtdetr R34vd
Apache-2.0
RT-DETR是首个实时端到端目标检测Transformer模型，通过高效混合编码器和查询选择机制实现高速高精度检测
目标检测 Transformers 英语
R
PekingU
512
3
AIbase
智启未来，您的人工智能解决方案智库
English简体中文繁體中文にほんご
© 2025AIbase