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

该模型用于分类常见冰箱物品，支持识别多种食品和饮料类别。

基于Google Vision Transformer (ViT)架构的食品图像分类模型，在Food101数据集上微调，准确率达90.9%

基于ViT架构的食物分类模型，在Food101数据集上微调，准确率达98.5%

基于ViT架构的食品图像分类模型，在Food101数据集上微调，准确率达96%

基于ViT架构的食品图像分类模型，在Food101数据集上微调，准确率达89.7%

基于Google Vision Transformer (ViT)架构的食品分类模型，在未知数据集上进行了微调

基于Google Vision Transformer (ViT)架构的图像分类模型，在food101数据集上微调，用于食品图像分类任务

该模型是基于Food-101数据集微调的视觉变换器（ViT），通过Optimum工具进行了INT8静态量化并导出为OpenVINO中间表示格式，适用于高效图像分类任务。

这是一个使用AutoTrain在food101数据集上训练的食品图像分类模型，准确率达到89%

这是一个基于Google的ViT模型微调的印度食物图像分类模型，准确率达93.3%。

基于Swin Transformer架构在Food101数据集上微调的图像分类模型，准确率达92.14%

基于Swin Transformer架构微调的食品图像分类模型，在Food101数据集上达到92.1%的准确率

基于Google的ViT模型在Food101数据集上微调的图像分类模型，准确率达到85.39%

这是一个基于PyTorch和HuggingPics生成的图像分类模型，准确率达到90.18%。

一个基于PyTorch框架的图像分类模型，能够区分热狗和三明治。