このモデルはVideoMAEアーキテクチャに基づく暴力検出モデルで、Kineticsデータセットで事前学習した後、暴力検出タスクに対して92エポックの微調整を行っています。モデルはVision Transformerアーキテクチャを採用し、ビデオコンテンツ分析に特化しており、ビデオ内の暴力行為を識別することができます。

コンピュータビジョンTransformers

これはRoPE（回転位置符号化）に基づくVision Transformerモデルで、パラメータ規模は150Mで、14x14のパッチサイズを採用しています。このモデルは約2100万枚の画像からなる多様なデータセットで事前学習されており、汎用的なビジュアル特徴抽出器として使用できます。

コンピュータビジョンPytorch

これはDINOv3アーキテクチャに基づくVision Transformer画像特徴エンコーダで、7BパラメータのDINOv3 ViTモデルからLVD-1689Mデータセットで知識蒸留を行って得られました。このモデルは画像特徴抽出タスクに特化しており、強力なビジュアル表現能力を持っています。

コンピュータビジョンTimm

MonkeyOCR-pro-1.2B Vision GGUFは、光学文字認識（OCR）とドキュメント分析に特化した高性能なビジュアル言語モデルです。このモデルはGGUF形式を採用し、多言語処理をサポートし、優れたOCR精度と推論速度を備えており、さまざまなドキュメント処理シーンに適しています。

マルチモーダルGguf

このモデルは、Llama - 3.2 - 11B - Vision - Instructを微調整した専門の自動車損傷検出モデルで、損傷した車両の画像を自動分析し、車両の損傷タイプ、位置、深刻度を正確に識別および記述することができます。

マルチモーダルPeft多言語

Realistic Vision V5.1は、Stable Diffusion XLに基づくテキストから画像への生成モデルで、高品質でリアルな人物肖像やシーン画像の生成に特化しています。このモデルは、リアル、アニメ、ゲームなどの多様なスタイルをサポートし、高度なリアリティを持つ人物、女優の肖像やアニメスタイルの画像を生成することができます。

コンピュータビジョンDiffusers英語

DINOv3はMeta AIが開発した一連の汎用ビジュアル基礎モデルで、微調整を行わずにさまざまなビジュアルタスクで専用の最先端モデルを上回ることができます。このモデルはVision Transformerアーキテクチャを採用し、16.89億枚のウェブ画像で事前学習されており、高品質の密集特徴を生成でき、画像分類、セグメンテーション、検索などのタスクで優れた性能を発揮します。

コンピュータビジョンTransformers英語

Cohere Labs Command A Visionは、1120億のパラメータを持つ企業レベルの視覚言語モデルで、画像理解タスクに最適化されており、高いパフォーマンスを維持しながら低い計算要件を持っています。このモデルは多言語の入出力をサポートし、画像とテキストのマルチモーダル入力を処理できます。

マルチモーダルTransformers多言語

BiRefNetは二値分類画像分割に使用されるディープラーニングモデルで、背景除去タスクに特化しています。このモデルはGGUF形式に変換され、vision.cppを通じて消費者向けハードウェアで軽量推論を行い、効率的な画像分割処理を実現できます。

コンピュータビジョンGguf

Magistral - Small - 2506 - Visionは、Mistral Small 3.1をベースにGRPOトレーニングを行った推論微調整バージョンで、ビジュアル能力を備えた実験的チェックポイントです。

マルチモーダルSafetensors多言語

Qwen2.5-VL-3B-Instructをベースに微調整されたビジュアルOCRモデルで、ドキュメントレベルのOCR、長文脈の視覚言語理解、数学のLaTeX形式変換に特化しています。

マルチモーダルTransformers英語

VisionReasonerは強化学習に基づく統一視覚知覚と推論モデルで、強化学習フレームワークを通じて視覚知覚と推論タスクを統一システムに統合し、視覚分野の複雑なタスクに革新的な解決策を提供します。

マルチモーダルTransformers

VisionReasoner-7Bは画像テキストからテキストへのモデルで、解耦アーキテクチャを採用し、推論モデルと分割モデルで構成され、ユーザーの意図を解釈してピクセルレベルのマスクを生成できます。

マルチモーダルTransformers英語

これはDINOv2自己教師あり学習により20億のウェブ画像でトレーニングされた10億パラメータのVision Transformerモデルで、言語監督なしで視覚表現を学習できます。

コンピュータビジョンTransformers

Vision Transformerアーキテクチャに基づく視覚モデルで、SigLIP（Sigmoid Loss for Language-Image Pretraining）訓練方法を採用し、画像理解タスクに適しています。

コンピュータビジョンTransformers

NSFWコンテンツのレーティングに特化してファインチューニングされたVision Transformerモデルで、ニュートラル/軽度/中度/重度の4段階のリスクを識別可能

コンピュータビジョンTransformers

google/vit-base-patch16-224-in21kをbeansデータセットでファインチューニングしたVision Transformerモデル、画像分類タスク用

コンピュータビジョンTransformers

Google Vision Transformer (ViT)をファインチューニングしたペット品種分類モデルで、Oxford-IIITペットデータセットで94.45%の精度を達成

コンピュータビジョンTransformers

VLAA-Thinkerは革新的な視覚言語モデルで、画像とテキストの入力を同時に処理し、高品質なテキスト出力を生成することができます。このモデルは論文「SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models」の研究成果に基づいて開発され、R1に類似した推論能力に焦点を当てています。

マルチモーダルTransformers

この論文は、Vision Transformer (ViT) を画像セグメンテーションモデルとして再解釈する方法を提案し、ViTが画像セグメンテーションタスクで持つ可能性を示しています。

コンピュータビジョンPytorch