YOLOS是基于视觉Transformer（ViT）的目标检测模型，采用DETR损失训练，在COCO数据集上表现优异。

YOLOS是一种使用视觉Transformer（ViT）架构的目标检测模型，通过DETR损失训练，在COCO和Matterport气球数据集上微调。

基于COCO 2017目标检测数据集微调的YOLOS小尺寸模型，采用视觉Transformer架构实现高效目标检测

基于COCO 2017目标检测数据集微调的YOLOS模型，采用视觉Transformer架构，适用于目标检测任务。

基于视觉Transformer（ViT）的目标检测模型，使用DETR损失函数训练，在COCO数据集上表现优异。

YOLOS是一种基于视觉Transformer（ViT）的目标检测模型，通过DETR损失训练，在COCO数据集上达到42 AP的性能。

基于COCO 2017目标检测数据集微调的YOLOS模型，使用视觉Transformer架构实现高效目标检测。

DETR是一个基于Transformer架构的端到端目标检测模型，使用ResNet-50作为骨干网络，并在COCO数据集上训练。

DETR是一个基于Transformer架构的端到端目标检测模型，使用ResNet-50作为骨干网络，在COCO数据集上训练。

可变形检测变换器（Deformable DETR）单尺度模型，专为目标检测任务设计，采用端到端训练方式，在COCO 2017数据集上表现优异。

DETR是一个使用Transformer进行端到端目标检测的模型，采用ResNet-101作为骨干网络并在COCO数据集上训练。

DETR是一个结合卷积神经网络与Transformer的端到端目标检测模型，支持全景分割任务。

DETR是一个使用Transformer架构的端到端目标检测模型，采用ResNet-101作为骨干网络，在COCO数据集上训练。

DETR是一个结合卷积神经网络和Transformer架构的端到端目标检测模型，支持全景分割任务。

可变形DETR是一种端到端目标检测模型，使用Transformer架构和可变形注意力机制改进检测性能。

DETR是基于Transformer架构的端到端目标检测模型，采用ResNet-50作为骨干网络，在COCO数据集上训练，支持目标检测和全景分割任务。