该模型旨在对新闻文章进行分类，帮助用户快速识别和整理新闻内容。

基于google/siglip2-base-patch16-224微调的食物图像分类模型，可识别101种流行菜肴

该模型是基于Logiroad/route_background_semantic_x2在Logiroad/route_background_semantic数据集上微调的图像分割模型，主要用于道路背景语义分割任务。

基于PyTorch的图像分割模型，采用Transformer架构进行密集预测任务

基于SigLIP2架构微调的时尚图像分类模型，专为Fashion-MNIST数据集设计

这是一个基于Apache-2.0许可证的图像分类模型，专门用于识别30种不同类型的植物。

在Food101数据集上微调的EfficientNetB4图像分类模型，支持101种食物类别识别

基于Vision Transformer(ViT)的服装图像分类模型，准确率约78%

这是一个针对识别文本中食品杂货和食品类别进行微调的GLiNER模型，支持14种不同类别的食品杂货识别。

DETR是一种基于Transformer的目标检测模型，采用端到端的方式处理目标检测任务，无需复杂的后处理步骤。

基于YOLOv9架构的反恐精英2(CS2)玩家目标检测模型，支持识别游戏中的玩家角色

基于 YOLOv9 的目标检测模型，适配 Transformers.js，支持在浏览器中运行

基于 YOLOv9 (GELAN-C) 架构的目标检测模型，专为 Transformers.js 优化的 ONNX 版本

YOLOv9-C 是基于 YOLOv9 架构的目标检测模型，适用于实时检测图像中的多种物体。

基于Food101数据集训练的食品图像分类模型，准确率达88.31%

基于facebook/wav2vec2-base-960h的语音口音多分类模型，用于识别不同口音的语音。

基于AutoTrain训练的多类别图像分类模型，专注于太阳能板目标检测任务

这是一个由HuggingPics生成的图像分类模型，能够对多种图像进行分类，如动物、鸟类和国旗等。

基于DeBERTa-v3架构的葡萄牙语零样本分类模型，适用于无需微调即可执行文本分类任务

一个通用的图像分类模型，能够识别和分类输入图像中的对象

这是一个通过AutoTrain训练的多类别图像分类模型，能够识别多种常见物体和场景。

基于PyTorch框架，使用今日头条数据集训练的中文新闻分类模型，适用于中文文本分类学习场景。

这是一个使用AutoTrain训练的多类别图像分类模型，在自行车相关数据集上表现出色。

使用AutoTrain训练的多类别图像分类模型，支持对常见物体进行分类识别

使用AutoTrain训练的多类别图像分类模型，在测试数据集上表现出色

这是一个通过AutoTrain训练的多类别图像分类模型，在验证集上表现出色，准确率达到97.4%。

这是一个使用AutoTrain训练的多类别图像分类模型，在验证集上表现出色，准确率达到98.9%。

基于nvidia/mit-b0微调的语义分割模型，用于建筑立面图像分割任务

基于Google Vision Transformer (ViT)架构的预训练模型，在EuroSat数据集上进行了微调，适用于遥感图像分类任务。

这是一个基于HuggingPics生成的图像分类模型，主要用于对特定类型（genres）的图像进行分类。

这是一个使用AutoTrain训练的多类别图像分类模型，能够识别多种物体类别。

基于YOLOv8的室内场景分类模型，用于识别和分类多种室内场景。

这是一个由HuggingPics生成的图像分类模型，准确率达到94.12%。

这是一个通过AutoTrain训练的多类别图像分类模型，在测试数据集上表现出完美分类性能

这是一个使用AutoTrain训练的多类别图像分类模型，在验证集上表现出色，准确率达到94.1%。

这是一个使用AutoTrain训练的多类别图像分类模型，基于ConvNeXt架构，适用于通用图像分类任务。

这是一个通过AutoTrain训练的多类别图像分类模型，能够识别多种常见物体类别

基于ViT架构的胃肠道图像分类模型，用于从结肠镜检查图像中诊断多种病症

这是一个通过AutoTrain训练的高性能图像分类模型，在验证集上达到了99.8%的准确率。

由HuggingPics生成的图像分类模型，用于识别特定类别的图像