MobileNet V2 1.40 224

0 avaliações

Ele recebe uma imagem como entrada e classifica a imagem em uma das múltiplas classes. O modelo disponível para implantação é pré-treinado no ImageNet, que compreende imagens de diferentes classes. O modelo prevê classes, incluindo a classe adicional para o fundo. TensorFlow, o logotipo do TensorFlow e quaisquer marcas relacionadas são marcas registradas da Google Inc.

Faster R-CNN Resnet-152 V1 800x1333

0 avaliações

Leva uma imagem como entrada e retorna caixas delimitadoras para os objetos na imagem. O modelo é pré-treinado no COCO 2017, que compreende imagens com múltiplos objetos e a tarefa é identificar os objetos e suas posições na imagem. Uma lista dos objetos que o modelo pode identificar é fornecida no final da página. TensorFlow, o logotipo do TensorFlow e quaisquer marcas relacionadas são marcas registradas da Google Inc.

AlexNet

0 avaliações

Ele recebe uma imagem como entrada e classifica a imagem em uma das várias classes. O modelo disponível para implantação é pré-treinado no ImageNet, que compreende imagens de diferentes classes. PyTorch, o logotipo do PyTorch e quaisquer marcas relacionadas são marcas registradas do Facebook, Inc.

Nimble Studio Deadline Linux Farm Worker

0 avaliações

Escalone suas cargas de trabalho de renderização para dezenas de milhares de núcleos em minutos. Utilizando o kit de implantação de render farm (RFDK) e o AWS Thinkbox Deadline para orquestração de renderização, o Nimble Studio fornece uma render farm integrada junto com este AMI do Deadline Linux Farm Worker que aproveita os preços do EC2 Spot.

XLM MLM English-Romanian

0 avaliações

Leva um par de frases como entrada e classifica o par de entrada como 'implicação' ou 'não-implicação'. O rótulo de classe implicação implica que a segunda frase implica a primeira frase, e a não-implicação implica que não. O modelo de Embedding de Texto, que é pré-treinado em texto em inglês e romeno, retorna uma incorporação do par de frases de entrada. O modelo disponível para implantação é criado anexando uma camada de classificação binária à saída do modelo de Embedding de Texto.