基于Google Vision Transformer (ViT)微调的宠物品种分类模型，在Oxford-IIIT宠物数据集上达到94.45%准确率

基于MobileNetV2架构的植物病害图像分类模型，在图像分类任务上达到97.77%的准确率

AIMv2是通过多模态自回归目标预训练的视觉模型系列，在多模态理解基准测试中表现优异。

基于Google的ViT模型微调，用于住宿房间图像分类，验证集准确率达87.5%

基于Google的ViT模型在豆类数据集上微调的图像分类模型，准确率达97.74%

这是一个通过AutoTrain训练的天文摄影物体分类模型，能够准确识别天文摄影中的不同物体类别。

基于平衡数据集训练的植物幼苗分类模型，在测试集上准确率达94.67%

ConvNeXt V2是一种纯卷积模型，通过FCMAE框架预训练并在ImageNet-22K数据集上微调，显著提升了纯卷积网络在识别任务上的性能。

基于ViT架构的二分类模型，用于区分汽车和摩托车图像，准确率达99.38%

基于Google的ViT模型在豆类数据集上微调的高精度图像分类模型

基于微软ResNet-152架构微调的表情包分类模型，在图像分类任务上表现良好。

该模型是基于Dogs vs Food数据集训练的ConvNeXt-Tiny架构图像分类模型，专门用于区分狗和食物的图像。

基于Swin Transformer架构的零食图像分类模型，在零食数据集上微调后准确率达到94.55%

这是一个基于DeiT架构的图像分类模型，专门用于岩石颗粒分类任务。

基于ImageNet-1k数据集预训练的深度残差网络模型，用于图像分类任务

基于ImageNet数据集预训练的深度残差网络模型，用于图像分类任务。