基于Vision Transformer（ViT）的图像分类模型，由Google Research在JAX框架下使用ImageNet-21k预训练，后移植到PyTorch。

基于Vision Transformer的图像分类模型，在ImageNet-21k上预训练，适用于特征提取和微调

使用谷歌视觉Transformer架构微调的犬种分类模型，支持120种犬类的图像识别

结合ResNet与Vision Transformer的混合图像分类模型，基于ImageNet-21k预训练，适用于特征提取和微调场景。

基于Vision Transformer (ViT)架构的图像分类模型，在ImageNet-21k数据集上预训练，适用于特征提取和微调场景。

基于Vision Transformer (ViT)架构的大规模图像特征提取模型，在ImageNet-21k数据集上预训练

Swin Transformer v2是一种视觉Transformer模型，通过分层特征图和局部窗口自注意力机制实现高效的图像分类和密集识别任务。

该视觉Transformer（ViT）模型在ImageNet-21k数据集上预训练，适用于图像分类任务。

该视觉变换器（ViT）模型在ImageNet-21k数据集上以224x224分辨率进行了预训练，适用于图像分类任务。

BEiT是一种基于视觉Transformer的模型，通过自监督学习在ImageNet-21k数据集上预训练，用于图像分类任务。

Swin Transformer是一种基于分层窗口计算的视觉Transformer模型，在ImageNet-21k数据集上预训练，适用于图像分类任务。

基于ImageNet-21k数据集预训练的视觉Transformer模型，适用于图像特征提取和下游任务微调。

Swin Transformer是一种基于分层窗口的视觉Transformer模型，在ImageNet-21k数据集上预训练，适用于图像分类任务。

Swin Transformer是一种基于移动窗口的分层视觉Transformer，在ImageNet-21k数据集上预训练，适用于图像分类任务。

Swin Transformer是一种基于移位窗口的分层视觉Transformer模型，专为图像分类任务设计。

BEiT是一种基于视觉Transformer（ViT）的自监督学习模型，通过ImageNet-21k数据集预训练，用于图像分类任务。