基于SigLIP架构微调的多标签图像分类模型，可识别7种地理场景元素

DepthPro 是一个用于深度估计的视觉模型，能够从单张图像预测场景的深度信息。

Depth-Anything-V2-Base 是一个基于 ONNX 格式的深度估计模型，适配 Transformers.js，用于在 Web 端进行图像深度估计。

该模型是一个图像转文本模型，专注于生成图像的字幕描述。

基于 Segformer 架构的语义分割模型，用于为图像中的每个像素分配语义类别标签。

这是一个基于COCO2014数据集翻译版（英俄）训练的图片描述生成模型，能够为输入的图像生成俄语描述。

UperNet是一种用于语义分割的框架，结合Swin Transformer骨干网络实现像素级场景理解

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。

UperNet是一种语义分割框架，采用Swin Transformer作为骨干网络，能够实现像素级语义标签预测。

UperNet是一种用于语义分割的框架，采用ConvNeXt作为骨干网络，能够预测每个像素的语义标签。

UperNet是一种用于语义分割的框架，采用ConvNeXt作为骨干网络，能够预测每个像素的语义标签。

UperNet是一种用于语义分割的框架，采用ConvNeXt作为骨干网络，能够为每个像素预测一个语义标签。