se_resnext101_32x4d.imagenet
smp-hub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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗DISCOVER & COMPARE
探索 AI 模型 1529
se_resnext50_32x4d.imagenet
smp-hub--- library_name: segmentation-models-pytorch license: other pipeline_tag: image-classification tags: - segmentation-models-pytorch - image-classification - pytorch - se_resnext languages: - python --- This repository contains the `imagenet` pre-trained weights for the `se_resnext50_32x4d` model used as encoder in the segmentation-models-pytorch library.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗--- library_name: segmentation-models-pytorch license: other pipeline_tag: image-classification tags: - segmentation-models-pytorch - image-classification - pytorch - efficientnet languages: - python --- This repository contains the `noisy-student` pre-trained weights for the `timm-efficientnet-b4` model used as encoder in the segmentation-models-pytorch library.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗EfficientNetV2-S-ExecuTorch
software-mansionThis repository hosts the **efficientnet-v2-s** models exported for the React Native ExecuTorch library as ExecuTorch `.pte` programs, ready to run on device. A backend directory carrying a `NOTES.md` and no `.pte` was exported and not published. Its note records what went wrong. These files are published for the **ExecuTorch v1.4.1** runtime. ExecuTorch gives no forward compatibility guarantee, so an older runtime may fail to load them.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗ai-image-detector-deploy-ONNX
SoldadoXara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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗Inception V3 model for automated classification of plankton and other particles imaged by the Imaging FlowCytobot (IFCB) on the Northeast U.S. Shelf (NES). Classifies 155 categories including phytoplankton, microzooplankton, detritus, and imaging artifacts. This model is intended for automated taxonomic classification of IFCB imagery collected on the Northeast U.S. Shelf. It is suitable for operational use in plankton monitoring pipelines. Performance may degrade on IFCB data from other geographic regions or instruments with significantly different optical configurations. The main "cuda optimized" and "cpu" model versions return equivalent results. Both models will run fine on cpu or gpu.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗lab1-cifar10
SpringmanSubmission branch: `s_109197_103216`. Fine-tuned ImageNet ResNet-18 in Google Colab; only layer4 and fc are updated. The learning rate and epoch are selected by validation accuracy. The test split is used only after model selection. Seed: 42. Samples: train=10000, validation=2000, test=2000. Validation accuracy: 0.8905; test accuracy: 0.8815. Classes: airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck. This model recognizes these ten classes and does not detect out-of-distribution images. CIFAR-10 consists of small 32x32 images, so predictions on arbitrary photographs may be unreliable.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗chart-recognizer
StephanAkkerman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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗nsfw-image-detection
strangerguardhf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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗gender-classification-tflite
SynthAIzerTensorFlow and TFLite conversion of rizvandwiki/gender-classification-2 (ViT). Please check the original model card for license and training details. Note: converted with SELECT_TF_OPS, so on Android add `org.tensorflow:tensorflow-lite-select-tf-ops`.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗lab1-cifar10-mobilenet
SzymonNabrzuchowskiA torchvision MobileNetV3 Small initialized with ImageNet pretrained weights and fine-tuned on CIFAR-10 using a GPU in Google Colab. The final classification layer predicts 10 classes: airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck. The checkpoint was selected using validation accuracy. The test set was evaluated after checkpoint selection.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗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。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗what-car-is-this-expanded
Tanuj124A locally trained vehicle classifier covering **239 model families across 42 manufacturers**. Its 346 leaf labels combine 196 original generation categories and 150 added model-only families. Generation and year fields are null for the added families; it does not infer trims or invent production years. **Status:** 30 expanded-training epochs completed; calibration, held-out test, safetensors export and exported CPU inference verified on October 18, 2026. Original implementation code, acquisition/preparation, training, evaluation and inference modules are included. No external inference service is used. Evaluated on **11,683 images**, after checkpoint selection on a separate validation split and calibration on 4,677 separate images.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗cifar10-vit-tiny
TestingProfile111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。
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗stanford-car-vit-patch16
therealcyberlordThis achieves around 86% on the testing set, you can use it as a baseline for further tuning. The Stanford car dataset contains 16,185 images of 196 classes of cars. Classes are typically at the level of Make, Model, Year, e.g. 2012 Tesla Model S or 2012 BMW M3 coupe. The data is split into 8144 training images, 6,041 testing images, and 2000 validation images in this case. 3D Object Representations for Fine-Grained Categorization Jonathan Krause, Michael Stark, Jia Deng, Li Fei-Fei 4th IEEE Workshop on 3D Representation and Recognition, at ICCV 2013 (3dRR-13). Sydney, Australia. Dec. 8, 2013.
译文排队中 · 当前显示来源原文
输入 图像→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗暂未找到匹配模型
可以调整厂商、分类或输入输出条件；新模型正持续收录。
COST EXPLORER
好模型，也要算好成本。
调整月度 Token 用量，直观比较不同模型的预估 API 开支。
1 M = 100 万 Token · 美元计价
仅比较同一渠道的基础文本 Token 报价
仅比较同一渠道的基础文本 Token 报价
使用已采集且单位可比的 USD / 百万 Token 渠道报价。报价为采集时快照；不计缓存优惠、阶梯价、推理额外输出与税费，请以来源的当前报价为准。
MODEL HANDBOOK
读懂模型，再做选择
API 价格应该怎么比较？+
先区分输入、输出和缓存价格，再使用同一任务和用量估算总费用。图像、音频和视频可能按张、时长或分辨率计费，不能直接与 Token 单价比较。
开放权重，就代表可以免费商用吗？+
不一定。必须逐一核对具体模型版本的许可证、商用限制及使用政策。自己部署还需要考虑显存、推理资源和运维费用。
排行榜第一，就是最适合我的模型吗？+
榜单取决于测试任务、版本与评测方法。建议用实际业务样本比较准确性、时延、稳定性和成本，再选择模型。