图像分类单标签
图像分类单标签任务是计算机视觉中的一个基础任务，旨在将输入的图像归类到预定义的类别中。在图像分类任务中，模型需要学习如何识别图像中的关键特征，并将其与特定的类别标签关联起来。
预置模型 |
模型特点 |
|---|---|
resnet18 |
ResNet 是一种深度学习模型，它引入了残差学习的概念， 允许网络达到非常深的层次，同时仍然保持良好的性能， resnet18 为 ResNet 系列中精度最低但速度最快的网络。 |
resnet34 |
ResNet 是一种深度学习模型，它引入了残差学习的概念， 允许网络达到非常深的层次，同时仍然保持良好的性能， resnet34 为 ResNet 系列中精度较低但速度较快的网络。 |
resnet50 |
ResNet 是一种深度学习模型，它引入了残差学习的概念， 允许网络达到非常深的层次，同时仍然保持良好的性能， resnet50 为 ResNet 系列中应用最为广泛的网络。 |
resnet101 |
ResNet 是一种深度学习模型，它引入了残差学习的概念， 允许网络达到非常深的层次，同时仍然保持良好的性能， resnet101 为 ResNet 系列中精度最高但速度最慢的网络。 |
vit-base |
ViT（Vision Transformer）模型，将 Transformer 架构引入图像类任务中， 将图像分为小的图像块后线性嵌入为序列，输入 Transformer 网络中， 通过位置编码保留空间信息，通过注意力机制更好的捕获图像中的空间信息。 |
vit-large |
ViT（Vision Transformer）模型，将 Transformer 架构引入图像类任务中， 将图像分为小的图像块后线性嵌入为序列，输入 Transformer 网络中， 通过位置编码保留空间信息， 通过注意力机制更好的捕获图像中的空间信息。 |
vgg16 |
VGG16 是一种经典的卷积神经网络，结构简洁，主要由卷积层、池化层和全连接层构成。 |
shufflenet-v2 |
ShufflenetV2是一种轻量级的卷积神经网络（CNN）架构， 通过深度可分离卷积降低计算量，通过通道混合增加通道间信息交流， 旨在提高移动设备和边缘计算设备上的计算效率，同时保持较高的准确性。 |
resnext50-32x4d |
ResNext 是 ResNet 的一个变体，通过在 ResBlock 中引入分组卷积， 在降低参数量的前提下保证了模型准确率。ResNext50-32x4d 是该系列中精度和速度适中的网络。 |
resnext101-32x8d |
ResNext 是 ResNet 的一个变体，通过在 ResBlock 中引入分组卷积， 在降低参数量的前提下保证了模型准确率。ResNext101-32x8d 是该系列中精度最高的网络。 |
seresnet50 |
SEResNet 通过在 ResNet 中引入 Squeeze-and-Excitation（SE）模块， 显式地建模通道之间的依赖关系，在不增加太多计算量的前提下大大的提高网络的性能。 |
seresnext50 |
SEResNext 通过在 ResNext 中引入 Squeeze-and-Excitation（SE）模块， 显式地建模通道之间的依赖关系，在不增加太多计算量的前提下大大的提高网络的性能。 |
resnest50 |
ResNeSt 是 ResNet 的一个变体，通过引入新型的嵌套分割注意力机制， 增加了网络跨通道和跨空间的信息交流，提升了网络的表现。 |
repvgg-a0 |
RepVGG 是 VGG 的一个变种，通过创新的引入重参数化的思想， 训练时使用多路径保证训练精度，推理时转换为标准卷积提高性能， 它在保证精度的前提下，大大提升了推理速度。 |
replknet-31b |
RepLKNet 是 RepVGG 的一个变种，使用大核卷积核来提高网络处理 高分辨率图像时的性能,并通过重参数化技术保证训练能够顺利收敛。 RepLKNet-31b 是基础大小的网络。 |
replknet-31l |
RepLKNet 是 RepVGG 的一个变种，使用大核卷积核以提高处理 高分辨率图像时的性能，并通过重参数化技术保证训练能够顺利收敛。 RepLKNet-31b 网络更大，精度更高。 |
inception-v3 |
Inception-V3 采用经典的 Inception 模块，设计不同大小的卷积和池化层， 捕捉图像的局部和全局特征，并通过因式分解卷积， 将大卷积等价变为多个小卷积核，在保持高精度的同时降低计算成本。 |
efficientnet-b0 |
EfficientNet 通过复合缩放方法，系统地缩放了网络宽度、深度、分辨率， 并通过 AutoML 技术，自动搜索网络架构来找到最优的设计。 |
swintransformer-tiny |
SwinTransformer 在 ViT 的基础上，通过层次化特征图和移位窗口， 增加模型的感受野，更好的提取多尺度特征。 SwinTransformer-tiny 为该系列速度最快的网络。 |
swintransformer-small |
SwinTransformer 在 ViT 的基础上，通过层次化特征图和移位窗口， 增加模型的感受野，更好的提取多尺度特征。 SwinTransformer-small 相比于 tiny 速度略下降但精度更优。 |
regnetx-400mf |
RegNet 是 ResNet 的一个变种，通过精确地控制网络宽度、深度和组宽度， 实现模型性能和效率的平衡。RegNetX-400mf 是该系列最快的网络。 |
regnetx-800mf |
RegNet 是 ResNet 的一个变种，通过精确地控制网络宽度、深度和组宽度， 实现模型性能和效率的平衡。RegNetX-800mf 速度较快。 |
regnetx-1.6gf |
RegNet 是 ResNet 的一个变种，通过精确地控制网络宽度、深度和组宽度， 实现模型性能和效率的平衡。RegNetX-1.6gf 速度和精度较为平衡。 |
regnetx-3.2gf |
RegNet 是 ResNet 的一个变种，通过精确地控制网络宽度、深度和组宽度， 实现模型性能和效率的平衡。RegNetX-3.2gf 精度较优。 |
regnetx-12gf |
RegNet 是 ResNet 的一个变种，通过精确地控制网络宽度、深度和组宽度， 实现模型性能和效率的平衡。RegNetX-12gf 是该系列最大精度最优的网络。 |
conformer-base |
Conformer 结合 CNN 的局部建模能力和 Transformer 的全局建模能力， 提升模型在处理数据时的性能。 |
convnext-tiny |
ConvNext 通过模仿 Transformer 的设计，逐步将 Transformer 的特性 转移到 CNN 上，通过重新设计和优化 CNN 架构， ConvNext-Tiny 为该系列最小最快的网络。 |
convnext-small |
ConvNext 通过模仿 Transformer 的设计，逐步将 Transformer 的特性 转移到 CNN 上，通过重新设计和优化 CNN 架构，有效提升了模型能力。 ConvNext-Small 为该系列速度精度较平衡的网络。 |
convnext-large |
ConvNext 通过模仿 Transformer 的设计，逐步将 Transformer 的特性 转移到 CNN 上，通过重新设计和优化 CNN 架构，有效提升了模型能力。 ConvNext-Large 为该系列最大精度最优的网络。 |
densenet121 |
DenseNet 通过密集连接和瓶颈层的设计，有效减少模型参数量和计算量， 同时保持甚至提高模型性能。 |
hrnet-w18 |
HRNet 通过在整个网络中保持高分辨率特征图，并在多个尺度上 设计特征提取模块，提高了网络在处理高分辨率图像时的性能。 HRNet-w18 是该系列最快的网络。 |
hrnet-w32 |
HRNet 通过在整个网络中保持高分辨率特征图，并在多个尺度上 设计特征提取模块，提高了网络在处理高分辨率图像时的性能。 HRNet-w18 是该系列速度精度较为均衡的网络。 |
mobilenet-v2 |
MobileNet-V2 引入了深度可分离卷积、线性瓶颈和倒置残差结构， 提供了一种新的设计范式，在大大的减少模型参数量的前提下，保证了模型性能。 |
mobilenet-v3-small |
MobileNet-V3 在 MobileNet-V2 的基础上，通过搜索调整宽度和深度因子， 达到更优的计算效率和精度的平衡。 |
mobileone-s0 |
MobileOne 是移动端优先的网络，通过深度可分离卷积构建极小的模型， 保证在各种移动设备以及嵌入式设备上运行。 |