该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，揭示了ViT在图像分割任务中的潜力。

该论文提出了一种基于Vision Transformer (ViT) 的图像分割模型，揭示了ViT在图像分割任务中的潜力。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定架构调整使其适用于分割任务。

该论文提出了一种新的视角，将Vision Transformer (ViT) 视为图像分割模型，并探讨了其在图像分割任务中的潜力。

该模型基于论文《你的ViT实际上是图像分割模型》开发，是一种用于图像分割任务的视觉Transformer模型。

该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定架构调整使其适用于分割任务。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该模型通过重新思考Vision Transformer (ViT) 的架构，展示了其在图像分割任务中的潜力。

这是一个基于DETR架构的目标检测模型，专门针对国际象棋棋子识别任务进行了微调。

魔术师是首个具备自由形式多图像定位能力的多模态大语言模型，在复杂多图像场景中实现精确定位，性能超越70B规模模型。

YOLOv10x 是 YOLO 系列的最新版本，专注于实时端到端目标检测，提供更高的检测精度和更快的推理速度。

YOLOv10 是一个实时端到端目标检测模型，由清华大学团队开发，基于 YOLO 系列的最新改进版本。

YOLOv10 是一个实时端到端目标检测模型，由清华大学团队开发，基于 YOLO 系列的最新改进版本。

YOLOv10是清华大学提出的实时端到端目标检测模型，具有高效和准确的特点。

YOLOv10是一种实时目标检测模型，通过消除非极大值抑制（NMS）等后处理步骤，实现了高效且无额外开销的目标检测。

从零构建的大语言模型，包含分词器训练、模型初始化、预训练与指令微调全流程开源实现

该DETR模型在SKU110K目标检测数据集上进行了端到端训练，查询数设置为400，适用于商品货架检测等场景。

ControlNet v1.1 是一个基于扩散模型的神经网络结构，用于通过额外条件控制图像生成，特别适用于图像修复任务。

基于Mamba架构的3B参数规模的语言模型，支持英文文本生成任务。

基于facebook/detr-resnet-50在图像文件夹数据集上微调的DETR目标检测模型

基于nvidia/mit-b0在tontokoton/artery-ultrasound-siit数据集上微调的图像分割模型

基于Timesformer和BERT架构的视频字幕生成模型，能够为视频内容生成描述性字幕。

EnCodec是由Meta AI开发的实时高保真神经音频编解码器，支持多种带宽配置和流式处理。

EnCodec是由Meta AI开发的高保真实时神经音频编解码器，采用端到端训练方式，支持多种带宽设置。

基于Donut架构微调的发票信息提取模型，免OCR实现文档理解

基于facebook/detr-resnet-50微调的OCR模型，用于目标检测任务

Deformable DETR是基于Transformer架构的目标检测模型，在LVIS数据集上训练，支持1203个类别的物体检测。

使用可变形检测变换器架构，在包含1203个类别的LVIS数据集上训练的目标检测模型

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。

一个基于HuggingPics生成的图像分类模型，用于识别图像中的性别（男性或女性）。

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。

Re2G是一个结合神经初始检索和重排序的生成模型，用于知识密集型任务。

Re2G是一个结合神经检索、重排序和生成的端到端系统，用于知识密集型任务。

基于PyTorch实现的图像分类模型，能够识别多种常见物体类别

这是一个基于ESPnet2框架训练的韩语文本转语音(TTS)模型，使用KSS数据集训练，采用JETS架构。

该模型是基于facebook/wav2vec2-base微调的语音识别模型，在TIMIT数据集上取得了0.5635的词错误率。

基于facebook/wav2vec2-base模型在TIMIT数据集上微调的语音识别模型，用于演示目的

基于ESPnet框架和talromur数据集训练的FastSpeech2文本转语音模型，支持冰岛语语音合成。