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。

Go to file

pice35408784b54431987c4d13c457b9cd e8e11f0587 Add .gitattributes Signed-off-by: pice35408784b54431987c4d13c457b9cd <c457b9cd@leinao.ai>		2024-12-04 16:19:27 +08:00
.gitattributes	Add .gitattributes	2024-12-04 16:19:27 +08:00
README.md	Initial commit	2024-12-04 16:19:27 +08:00

vit-large-patch16-384_a13819965258461184668209

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。