该模型是基于Swin Transformer架构的脑肿瘤图像分类模型，在图像分类任务上表现出色，准确率达到99.49%。

UperNet是一种用于语义分割的框架，采用Swin Transformer作为骨干网络，能够高效地进行像素级语义标注。

基于Swin Transformer架构的微调模型，用于垃圾分类任务，准确率达88.27%

基于Swin Transformer Tiny架构在CIFAR-100数据集上微调的图像分类模型

基于Swin Transformer Tiny架构的视觉模型，在EuroSAT数据集上微调，用于图像分类任务

基于Swin Transformer架构的图像分类模型，在memes数据集上微调20轮，验证集准确率达84.78%

基于Swin Transformer架构在Food101数据集上微调的图像分类模型，准确率达92.14%

基于Swin Transformer架构微调的食品图像分类模型，在Food101数据集上达到92.1%的准确率

基于Swin Transformer架构的零食图像分类模型，在零食数据集上微调后准确率达到94.55%

这是一个基于Swin Transformer架构的微小模型，专为图像分类任务设计，在EuroSAT数据集上进行了微调。

这是一个基于Swin Transformer Tiny架构的微调模型，专门用于图像分类任务，在评估集上达到了97.59%的准确率。

这是一个基于Swin Transformer架构的微型图像分类模型，专门针对植物健康诊断任务进行了微调，在评估集上达到了99.83%的准确率。

基于微软Swin Transformer Tiny架构的轻量级图像分类模型，在零食分类数据集上微调后达到92.86%测试准确率

基于Swin Transformer架构的微调图像分类模型，在图像文件夹数据集上取得了97.44%的准确率