PyTorch Hub
面向研究人员

HybridNets - 端到端感知网络

在 Kinetics 400 数据集上预训练的 Resnet 风格视频分类网络

在 Kinetics 400 数据集上预训练的 SlowFast 网络

在 Kinetics 400 数据集上预训练的 X3D 网络

在 BDD100K 数据集上预训练的 YOLOP

用于计算单张图像相对深度的 MiDaS 模型。

使用此细粒度图像分类器对鸟类进行分类

用于从文本生成梅尔谱图的 FastPitch 模型

GPUNet 是一种新型卷积神经网络系列，旨在最大限度发挥 NVIDIA GPU 和 TensorRT 的性能。

用于从梅尔谱图生成波形的 HiFi GAN 模型

一次性（OFA）模型解耦了训练和搜索，并在各种边缘设备和资源限制下实现了高效推理。

音乐源分离的参考实现

一套适用于多种语言的紧凑型企业级预训练 STT 模型。

一套适用于多种语言的紧凑型企业级预训练 TTS 模型

预训练语音活动检测器

Ultralytics YOLOv5 🚀 用于目标检测、实例分割和图像分类。

使用 ResNet-50、ResNet-101 和 MobileNet-V3 主干网络的 DeepLabV3 模型

用于英法和英德翻译的 Transformer 模型。

使用十亿级弱监督数据训练的 ResNext 模型。

一个用于生成 64x64 图像的简单生成式图像模型

时尚、名人脸部图像的高质量生成

在“十亿级半监督图像分类学习”论文中介绍的 ResNet 和 ResNext 模型

流行的 NLP Transformer 的 PyTorch 实现

带有批量归一化的 U-Net，用于生物医学图像分割，包含用于脑部 MRI 异常分割的预训练权重

EfficientNet 是一系列图像分类模型，在准确性方面达到了最先进水平，同时体积和速度有一个数量级的提升....

使用 Tensor Cores 混合精度训练的 ResNet50 模型。

将瓶颈层 3x3 卷积替换为 3x3 分组卷积的 ResNet，使用 Tensor Cores 混合精度训练。

添加了 Squeeze-and-Excitation 模块的 ResNeXt，使用 Tensor Cores 混合精度训练。

用于目标检测的 Single Shot MultiBox Detector 模型

用于从文本生成梅尔谱图的 Tacotron 2 模型

用于从梅尔谱图（由 Tacotron2 生成）生成语音的 WaveGlow 模型

一种鲁棒优化的 BERT 预训练方法

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。

密集卷积网络 (DenseNet)，以前馈方式将每一层连接到其他所有层。

使用 ResNet-50 和 ResNet-101 主干网络的 Fully-Convolutional Network 模型

通过廉价操作生成更多特征的高效网络

GoogLeNet 基于代号为“Inception”的深度卷积神经网络架构，该架构赢得了 2014 年 ImageNet 比赛。

在 ImageNet 上预训练的 Harmonic DenseNet

具有域/外观不变性的网络

也称为 GoogleNetv3，一个在 ImageNet 上训练的著名 ConvNet，来自 2015 年

使用知识蒸馏提升微小高效模型。

针对速度和内存进行优化的、带有残差块的高效网络

为不同硬件平台无代理地定制 CNN 架构。

一种新的 ResNet 变体。

在 ImageNet 上预训练的深度残差网络

下一代 ResNet，更高效、更准确

在 ImageNet 上预训练的、针对速度和内存进行优化的 Efficient ConvNet

受大脑启发的带有脉冲神经元的感知器

达到 AlexNet 级别的准确度，参数数量减少 50 倍。

2014 年 ImageNet ILSVRC 挑战赛获奖的 ConvNet

宽残差网络

保持简单，使用简单架构超越更深更复杂的架构