LSNet是一个受人类视觉系统动态异尺度能力启发的轻量级视觉模型家族，在多种视觉任务中实现了性能与效率的平衡。

基于timm库的SAM2（仅HieraDet图像编码器）权重，源自Facebook的Hiera小型模型。

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。

基于Google的ViT模型微调，用于猫情绪分类的图像分类模型

基于Swin Transformer架构的微小模型，专为CIFAR-10图像分类任务微调

基于DeiT-tiny架构的轻量级图像分类模型，在自定义图像数据集上微调后达到98.56%的验证准确率

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

基于Swin Transformer Tiny架构的图像分类模型，在CIFAR10数据集上微调，准确率达97.24%

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90.9%。

这是一个通过AutoTrain训练的多类别图像分类模型，专门用于天气分类任务。

ConvNeXt V2是一种纯卷积模型，采用FCMAE框架预训练，在ImageNet-22K数据集上微调，显著提升卷积网络的识别性能。

ConvNeXt V2是一种纯卷积模型，通过FCMAE框架预训练和GRN层改进，显著提升图像分类性能。

基于Swin Transformer架构的微调模型，用于AI生成内容检测任务

基于AutoTrain训练的三分类图像分类模型，在验证集上达到95%的准确率

基于Swin Transformer Tiny架构的视觉模型，在未知数据集上微调，用于图像分类任务

使用AutoTrain训练的多类别图像分类模型，支持对多种常见物体进行分类识别

这是一个使用AutoTrain训练的多类别图像分类模型，能够识别老虎、茶壶、宫殿等常见物体。

基于Swin Transformer Tiny架构在CIFAR10数据集上微调的图像分类模型

基于Swin Transformer Tiny架构的微调模型，用于图像分类任务

基于Google Vision Transformer (ViT)模型微调的图像分类模型，在自定义图像数据集上进行了训练

基于Swin Transformer Tiny架构的图像分类模型，在自定义图像数据集上微调130轮，准确率达90.23%

基于Swin Transformer Tiny架构的图像分类模型，在特定图像数据集上微调130轮次

这是一个使用AutoTrain训练的二元分类模型，专门用于区分猫和狗的图片。

本模型是在facebook/levit-192基础上对未标注数据集进行微调的版本，展示了在精确率、召回率、F1值和准确率上的优秀表现。

基于Swin Transformer Tiny架构微调的狗粮图像分类模型，在测试集上准确率达98.8%

基于微软Swin Transformer Tiny架构的轻量级图像分类模型，在零食分类数据集上微调后达到92.86%测试准确率

基于视觉Transformer架构的图像分类模型，专门用于区分吉娃娃犬和饼干两类图像

基于timm仓库转换的ViT-Tiny模型，适用于图像分类任务，使用方法与ViT-base模型一致

基于timm代码库转换的ViT-tiny模型，适用于图像分类任务