基于 DETR 架构的目标检测模型，适用于通用物体检测任务

YOLOE是一个实时视觉全能模型，支持零样本目标检测等多种视觉任务。

这是一个基于DistilBERT的虚假新闻检测模型，能够根据文本内容将新闻文章分类为真实或虚假。

RT-DETRv2是一种改进的实时目标检测Transformer模型，通过选择性多尺度特征提取和动态数据增强等策略提升性能。

RT-DETRv2是改进版实时检测变换器，通过引入即插即用优化方案提升灵活性与实用性，并优化训练策略实现更强性能。

该模型基于DistilBERT架构，专为多标签分类任务设计，用于判断邮件和URL是否安全或存在钓鱼风险。

基于YOLOv11的目标检测模型，专门用于跌倒检测

Florence-2是微软开发的先进视觉基础模型，采用基于提示的架构统一处理各类视觉与视觉-语言任务

基于CodeBERT-base微调的Solidity智能合约漏洞检测模型

基于MIT/ast-finetuned-audioset-10-10-0.4593微调的合成语音检测模型，用于识别音频是否为合成语音。

Florence-2是微软开发的先进视觉基础模型，采用基于提示的方法处理广泛的视觉和视觉语言任务。

Florence-2是微软开发的先进视觉基础模型，采用基于提示的方法处理广泛的视觉和视觉语言任务。

Florence-2是微软开发的先进视觉基础模型，采用基于提示的方法处理各类视觉与视觉-语言任务。

基于Vision Transformer(ViT)架构优化的暴力行为检测模型，能够将图像分类为暴力或非暴力场景。

RT-DETR是首个实时端到端目标检测器，通过混合编码器和查询选择机制实现高效检测，无需NMS后处理。

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，具有高效和精准的特点。

YOLOv10是清华大学提出的实时端到端目标检测模型，在速度和精度上均有显著提升。

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。

RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和查询选择机制实现超越YOLO系列的速度与精度平衡

YOLOv10 是一种高效的无额外代价实时目标检测模型，通过优化架构和训练策略，在保持实时性的同时提升了检测精度。

RT-DETR是首个实时端到端目标检测Transformer模型，通过高效混合编码器和查询选择机制实现无NMS的高效检测

RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和不确定性最小化查询选择机制，在COCO数据集上达到53.1% AP，108 FPS的性能。

该模型是一个用于检测AI生成图像的分类器，在评估集上取得了97.36%的准确率。

RT-DETR是首个实时端到端目标检测Transformer模型，通过高效混合编码器和查询选择机制实现高速高精度检测

基于Swin Transformer架构的脑瘤检测模型，在图像分类任务上达到98.04%的准确率

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

基于MobileBERT的轻量级模型，用于检测输入字符串中的SQL注入攻击，适用于边缘计算场景。

基于facebook/detr-resnet-50微调的模型，具体用途未明确说明

基于Roboflow手势数据集微调的YOLOv8x模型，专注于手势识别任务

基于facebook/detr-resnet-50微调的模型，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。

DETR是一个使用Transformer进行端到端目标检测的模型，采用ResNet-101作为骨干网络并在COCO数据集上训练。

DETR是一个使用Transformer架构的端到端目标检测模型，采用ResNet-101作为骨干网络，在COCO数据集上训练。