DISCOVER & COMPARE
AIモデルを探す 16
注目のモデルを見つける 基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 画像→ 出力 未確認
A Swin-B image feature model. Supervisely pre-trained on animal re-identification datasets. - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Params (M): 109.1 - Image size: 224 x 224 - Architecture: swin_base_patch4_window7_224 - **Paper:** WildlifeDatasets_An_Open-Source_Toolkit_for_Animal_Re-Identification - **Related Papers:** - Swin Transformer: Hierarchical Vision Transformer using Shifted Windows - DINOv2: Learning Robust Visual Features without Supervision - **Pretrain Dataset:** All available re-identification datasets --> https://github.com/WildlifeDatasets/wildlife-datasets
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
A CLIP based image feature model. Supervisely pre-trained on animal re-identification datasets. Original model: timm/vit_large_patch14_clip_336.openai_ft_in12k_in1k - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Params (M): 304.5 - GMACs: 174.7 - Activations (M): 128.2 - Image size: 336 x 336
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
A DINOv2 based image feature model. Supervisely pre-trained on animal re-identification datasets. Original model: timm/vit_large_patch14_dinov2.lvd142m - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Params (M): 304.4 - GMACs: 507.1 - Activations (M): 1058.8 - Image size: 518 x 518
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
A Swin-L image feature model. Supervisely pre-trained on animal re-identification datasets. - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Params (M): 228.6 - Image size: 224 x 224 - Architecture: swin_large_patch4_window7_224 - **Paper:** WildlifeDatasets_An_Open-Source_Toolkit_for_Animal_Re-Identification - **Related Papers:** - Swin Transformer: Hierarchical Vision Transformer using Shifted Windows - DINOv2: Learning Robust Visual Features without Supervision - **Pretrain Dataset:** All available re-identification datasets --> https://github.com/WildlifeDatasets/wildlife-datasets
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
A Swin-L image feature model. Superwisely pre-trained on animal re-identification datasets. - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Params (M): 228.8 - Image size: 384 x 384 - Architecture: swin_large_patch4_window12_384 - **Paper:** WildlifeDatasets_An_Open-Source_Toolkit_for_Animal_Re-Identification - **Related Papers:** - Swin Transformer: Hierarchical Vision Transformer using Shifted Windows - DINOv2: Learning Robust Visual Features without Supervision - **Pretrain Dataset:** All available re-identification datasets --> https://github.com/WildlifeDatasets/wildlife-datasets
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
A Swin-S image feature model. Supervisely pre-trained on animal re-identification datasets. - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Params (M): 49.6 - Image size: 224 x 224 - Architecture: swin_small_patch4_window7_224 - **Paper:** WildlifeDatasets_An_Open-Source_Toolkit_for_Animal_Re-Identification - **Related Papers:** - Swin Transformer: Hierarchical Vision Transformer using Shifted Windows - DINOv2: Learning Robust Visual Features without Supervision - **Pretrain Dataset:** All available re-identification datasets --> https://github.com/WildlifeDatasets/wildlife-datasets
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
A Swin-T image feature model. Superwisely pre-trained on animal re-identification datasets. - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Params (M): 28.3 - Image size: 224 x 224 - Architecture: swin_tiny_patch4_window7_224 - **Paper:** WildlifeDatasets_An_Open-Source_Toolkit_for_Animal_Re-Identification - **Related Papers:** - Swin Transformer: Hierarchical Vision Transformer using Shifted Windows - DINOv2: Learning Robust Visual Features without Supervision - **Pretrain Dataset:** All available re-identification datasets --> https://github.com/WildlifeDatasets/wildlife-datasets
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
A EfficientNetB3 based image feature model. Supervisely pre-trained on animal re-identification datasets. - **Model Type:** Animal re-identification / feature backbone - **Model Stats:** - Architecture: EfficientNetB3 - Params (M): 12.2 - GMACs: 1.6 - Activations (M): 21.5 - Image size: 288 x 288 - **Paper:** WildlifeDatasets_An_Open-Source_Toolkit_for_Animal_Re-Identification - **Related Papers:** - EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks - **Pretrain Dataset:** All available re-identification datasets --> https://github.com/WildlifeDatasets/wildlife-datasets
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
--- tags: - image-classification - ecology - fungi - FGVC library_name: DanishFungi license: cc-by-nc-4.0 ---
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 画像→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 画像→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 画像→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 画像→ 出力 画像
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 画像→ 出力 未確認
基础档案已收录,详细介绍后续补充。可先查看厂商、分类与来源。
入力 画像→ 出力 未確認
該当するモデルがありません
提供元・分類・入出力の条件を変更してください。新しいモデルを随時追加しています。
COST EXPLORER
モデル選びに、費用の視点も。
コスト分析月間トークン数を調整してAPI費用を比較。
収集済みの比較可能な100万トークン当たり米ドル料金です。キャッシュ割引、段階料金、追加推論出力、税金は含みません。最新料金は出典で確認してください。
API料金はどう比較しますか?+
入力・出力・キャッシュ料金を分け、同じ用途と使用量で総費用を比較します。画像・音声・動画は枚数、時間、解像度で課金される場合があります。
オープンウェイトは無料で商用利用できますか?+
必ずしもそうではありません。バージョンごとのライセンス、商用制限、ポリシーを確認してください。自前運用には計算資源と保守費用も必要です。
ランキング1位が最適ですか?+
順位はテスト、バージョン、評価方法によります。実際の業務データで精度、遅延、安定性、費用を比較してください。