Ultralytics YOLOv5 🚀 用于目标检测、实例分割和图像分类。
57.1千
带 ResNet-50、ResNet-101 和 MobileNet-V3 主干的 DeepLabV3 模型
17.6千
2012 年 ImageNet 冠军，其 top-5 错误率为 15.3%，比亚军低 10.8 个百分点以上。
17.6千
密集卷积网络 (DenseNet)，以前馈方式将每一层连接到其他所有层。
17.6千
带有 ResNet-50 和 ResNet-101 主干的全卷积网络模型
17.6千
GoogLeNet 基于一个代号为“Inception”的深度卷积神经网络架构，该网络赢得了 2014 年 ImageNet 比赛。
17.6千
又称 GoogleNetv3，一个著名的、在 ImageNet 上训练的 2015 年卷积网络
17.6千
为速度和内存优化的高效网络，带有残差块
17.6千
在 ImageNet 上预训练的深度残差网络
17.6千
一个为速度和内存优化的高效卷积网络，在 ImageNet 上预训练
17.6千
AlexNet 级别的精度，参数量减少 50 倍。
17.6千
2014 年 ImageNet ILSVRC 挑战赛的获奖卷积网络
17.6千
GPUNet 是一系列新的卷积神经网络，旨在最大化 NVIDIA GPU 和 TensorRT 的性能。
14.8千
EfficientNets 是一系列图像分类模型，它们实现了最先进的精度，同时尺寸和速度提高了一个数量级。使用 Tensor Cores 进行混合精度训练。
14.8千
使用 Tensor Cores 进行混合精度训练的 ResNet50 模型。
14.8千
将 ResNet 中瓶颈 3x3 卷积替换为 3x3 分组卷积的 ResNet，使用 Tensor Cores 进行混合精度训练。
14.8千
添加了 Squeeze-and-Excitation 模块的 ResNeXt，使用 Tensor Cores 进行混合精度训练。
14.8千
MiDaS 模型用于从单个图像计算相对深度。
5.4k
通过廉价操作生成更多特征的高效网络
4.4千
受大脑启发的、带有脉冲神经元的多层感知器
4.4千
在 Kinetics 400 数据集上预训练的 ResNet 风格视频分类网络
3.6千
在 Kinetics 400 数据集上预训练的 SlowFast 网络
3.6千
在 Kinetics 400 数据集上预训练的 X3D 网络
3.6千
在 BDD100K 数据集上预训练的 YOLOP
2.2千
一次性（OFA）将训练和搜索解耦，并在各种边缘设备和资源限制下实现高效推理。
1.9k
一个简单的用于 64x64 图像的生成式图像模型
1.6k
时尚、名人面孔的高质量图像生成
1.6k
为不同的硬件平台无代理地专门化 CNN 架构。
1.5千
具有域/外观不变性的网络
808
带批量归一化的U-Net，用于生物医学图像分割，预训练权重用于脑部MRI中的异常分割
769
使用知识蒸馏提升小型高效模型。
701
HybridNets – 端到端感知网络
670
使用亿级弱监督数据训练的 ResNext 模型。
602
在 ImageNet 上预训练的 Harmonic DenseNet
370
在“Billion scale semi-supervised learning for image classification”论文中介绍的 ResNet 和 ResNext 模型
246
让我们保持简单，使用简单的架构超越更深、更复杂的架构
54
使用此细粒度图像分类器对鸟类进行分类
34
