基于google/vit-base-patch16-224-in21k在beans数据集上微调的视觉Transformer模型，用于图像分类任务

基于SegFormer架构的植物叶片病害图像分割模型，在增强数据集上微调，能准确识别多种植物病害类型。

基于Google的ViT模型在beans数据集上微调的高精度图像分类模型

基于Google Vision Transformer(ViT)架构微调的豆类叶片疾病分类模型

该模型是基于Google的ViT架构在beans数据集上微调的图像分类模型，在验证集上达到了97.74%的准确率。

该模型是基于Google的ViT-base-patch16-224-in21k在beans数据集上微调的图像分类模型，准确率达98.5%。

基于ViT架构的玉米叶片检测模型，在评估集上达到91.54%的准确率

基于Google的ViT模型在beans数据集上微调的图像分类模型，准确率达97.74%

该模型是基于Google的ViT架构在beans数据集上微调的图像分类模型，准确率达到97.74%。

该模型是基于Google的ViT架构在beans数据集上微调的图像分类模型，准确率达到97.74%。

基于Google的ViT基础模型在豆类图像数据集上微调的视觉分类模型，准确率达97.74%

基于Google的ViT模型在beans数据集上微调的高精度图像分类模型

该模型是基于Google的ViT架构，在beans数据集上微调的图像分类模型，准确率达98.5%。

基于Google的ViT模型在beans数据集上微调得到的图像分类模型，准确率达98.5%

基于Swin Transformer架构的植物病害图像分类模型，在植物病害数据集上微调，准确率达96.9%

这是一个基于HuggingPics生成的图像分类模型，专门用于识别不同种类的谷物。

该模型是基于ConvNeXt-Tiny架构在beans数据集上微调的图像分类模型，准确率达到96.09%。

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。