Vision Transformer （ViT） 模型在 ImageNet-21k（1400 万张图像，21843 个类别）上以 224x224 的分辨率进行预训练，并在 ImageNet 2012（100 万张图像，1000 个类别）上以 384x384 的分辨率进行微调。
Updated 2024-12-26 13:49:01 +08:00
DocOwl2
Updated 2024-12-26 11:57:53 +08:00
Swin Transformer 模型在 ImageNet-21k（1400 万张图像，21841 个类）上以 384x384 的分辨率进行预训练。
Updated 2024-12-26 11:09:28 +08:00
XTTS-v2
Updated 2024-12-25 17:51:42 +08:00
此模型是 imagefolder 数据集上 google/vit-base-patch16-224-in21k 的微调版本。
Updated 2024-12-25 17:41:01 +08:00
Ivy-VL-llava
Updated 2024-12-25 17:30:06 +08:00
1
Updated 2024-12-25 17:09:16 +08:00
该模型的使用方式与 ViT-base相同。
Updated 2024-12-25 16:33:45 +08:00
UForm-Gen 是一种小型生成式视觉语言模型，主要用于图像描述和视觉问答。
Updated 2024-12-25 16:15:48 +08:00
nomic-embed-text-v1
Updated 2024-12-25 10:47:42 +08:00
ModernBERT-base
Updated 2024-12-25 10:24:33 +08:00
此模型是 imagefolder 数据集上 google/vit-base-patch16-224 的微调版本。
Updated 2024-12-24 16:56:59 +08:00
SegFormer 编码器在 Imagenet-1k 上进行了微调。
Updated 2024-12-24 16:35:56 +08:00
resnet50-1223
Updated 2024-12-23 10:47:44 +08:00
在 ImageNet-1k 上以 224x224 的分辨率训练的 ConvNeXT 模型， 在 cifar 10 数据集上进行了微调。
Updated 2024-12-20 16:51:24 +08:00
此模型是 imagefolder 数据集上 google/vit-base-patch16-224 的微调版本。
Updated 2024-12-20 16:27:28 +08:00