Небольшая Vision Transformer модель для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-21k и дообученная на ImageNet-1k.

Подходит для: Классификация объектов на изображениях · Получение эмбеддингов изображений для поиска по визуальному сходству · Использование визуального backbone в конвейере компьютерного зрения

ViT-модель timm для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet-1k · извлечение признаков из изображений · получение эмбеддингов изображений для поиска по сходству

Компактная модель Vision Transformer для классификации изображений ImageNet и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание категорий ImageNet · извлечение эмбеддингов изображений

Сверточная модель семейства LeViT для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по классам ImageNet-1k · извлечение признаков и эмбеддингов изображений · использование в качестве визуального бэкбона компьютерного зрения

Компактная модель TinyViT для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet-1k · извлечение карт признаков для компьютерного зрения · получение векторных представлений изображений

Компактный Vision Transformer для классификации изображений ImageNet-21k и извлечения визуальных признаков.

Подходит для: классификация изображений по классам ImageNet-21k · извлечение признаковых представлений изображений · использование в качестве визуального backbone для компьютерного зрения

Мультимодальная модель OpenGVLab на 2,2 млрд параметров для диалогов, ответов на вопросы и анализа изображений и документов.

Подходит для: ответы на вопросы по изображению · извлечение сведений из документов и сканов · распознавание текста на изображениях

Визуальный backbone OpenGVLab для извлечения признаков изображений с поддержкой высокого разрешения и OCR.

Подходит для: извлечение визуальных признаков для компьютерного зрения · предобработка изображений для мультимодальной языковой модели · обработка изображений высокого разрешения

ViViT — видеомодель с 113,2 млн параметров для классификации действий в роликах и дообучения на другие задачи видеоанализа.

Подходит для: распознавание действий в видеороликах · классификация видео по категориям Kinetics-400 · дообучение классификатора для пользовательских категорий видео

Компактный Vision Transformer, обученный на ImageNet-1k для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · извлечение признаков из изображений · использование визуальной основы в компьютерном зрении

Visformer Small — модель timm для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · получение эмбеддингов изображений для поиска похожих объектов · извлечение визуальных признаков для последующих задач компьютерного зрения

Базовая мультимодальная модель Z.ai для исследований и дальнейшей разработки систем, работающих с изображениями и текстом.

Подходит для: исследование визуально-языковых моделей · разработка приложений для вопросов и ответов по изображениям · создание мультимодальных диалоговых систем

Крупная модель ViT классифицирует изображения по классам ImageNet и извлекает признаки для задач компьютерного зрения.

Подходит для: классификация изображений по 1000 классам ImageNet · извлечение признаков изображений для последующего обучения · создание классификатора для размеченного набора изображений

Крупная модель Vision Transformer, обученная на ImageNet-21k для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание сцен и категорий изображений · извлечение визуальных признаков для компьютерного зрения

ViT-модель для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание классов ImageNet-1k · извлечение визуальных признаков для последующей обработки

Базовая модель Vision Transformer для классификации изображений по 1000 классам ImageNet и извлечения признаков для компьютерного зрения.

Подходит для: Классификация фотографий по классам ImageNet · Распознавание объектов на изображениях · Извлечение признаков изображений для последующего обучения классификатора

Компактная модель ViT-Tiny для классификации изображений по классам ImageNet.

Подходит для: классификация объектов на изображениях · определение класса изображения из набора ImageNet · встраивание классификатора изображений в приложение компьютерного зрения

Компактная модель TinyViT на 5,4 млн параметров для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · извлечение карт признаков из изображений · получение визуальных эмбеддингов для поиска изображений

Зрительная модель Meta AI на базе ViT-7B извлекает плотные признаки изображений для классификации, поиска, сегментации и других задач компьютерного зрения.

Подходит для: извлечение признаков для классификации изображений · поиск похожих изображений по эмбеддингам · сегментация изображений с линейным классификатором

Большая модель Vision Transformer от Google классифицирует изображения по классам ImageNet и может служить энкодером признаков для задач компьютерного зрения.

Подходит для: классификация изображений по 1000 классам ImageNet · извлечение признаков изображения для последующего обучения классификатора · использование предобученного визуального энкодера в задачах компьютерного зрения

DaViT Base — визуальный трансформер для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по классам ImageNet · получение эмбеддингов изображений для поиска по сходству · извлечение карт признаков для компьютерного зрения

Модель синтезирует естественно звучащую тайскую речь из текста и поддерживает клонирование голоса.

Подходит для: озвучивание тайского текста · создание тайской речи для диалоговых приложений · синтез речи с клонированием заданного голоса

ViT Large — модель для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · извлечение эмбеддингов изображений для поиска похожих объектов · получение визуальных признаков для последующих задач компьютерного зрения

Компактная дообученная VITS-модель синтезирует тайскую речь женским голосом из текста.

Подходит для: озвучивание тайских текстов женским голосом · создание тайской голосовой озвучки для приложений · локальный синтез тайской речи