1.U-Net

• 用途：用于图像分割,尤其在医学图像处理中。
• 全名：U-Net Node
• 使用方法：在节点中选择U-Net节点，输入图像,节点会预测分割结果。

2. DeepLab

   • 用途：用于深度学习的图像分割。
   • 全名：DeepLab Node
   • 使用方法：输入图像后,节点会生成分割结果。

3. Future.js

   • 用途：用于开发AI框架。
   • 全名：Future.js Node
   • 使用方法：在开发AI框架时,使用该节点创建AI服务。

4. PyTorch

   • 用途：用于深度学习和图像处理。
   • 全名：PyTorch Node
   • 使用方法：导入torch.nn模块，调用预训练模型，如ResNet、EfficientNet。

5. Image Segmentation

   • 用途：用于图像分割。
   • 全名：Image Segmentation Node
   • 使用方法：在节点中选择图像分割节点，输入图像,节点会进行分割。

6. Object Detection

   • 用途：用于目标检测。
   • 全名：Object Detection Node
   • 使用方法：在节点中选择Object Detection节点，输入图像,节点会预测目标区域。

7. Image Classification

   • 用途：用于图像分类。
   • 全名：Image Classification Node
   • 使用方法：在节点中选择Image Classification节点，输入图像,节点会进行分类。

8. Transformers

   • 用途：用于Transformer模型。
   • 全名：Transformers Node
   • 使用方法：在节点中选择Transformer节点，输入序列数据,节点会进行Transformer编码和解码。

9. Padding

   • 用途：用于 padding操作。
   • 全名：Padding Node
   • 使用方法：在节点中选择Padding节点，输入图像或序列，指定 padding参数。

10. Normalization

    • 用途：用于数据归一化。
    • 全名：Normalization Node
    • 使用方法：在节点中选择Normalization节点，输入图像（如张彩色图）或序列,节点会进行归一化处理。

这些节点工具在不同的平台上有不同的命名和使用方式，具体取决于你的平台支持和使用的模型，记得检查你使用的平台是否支持这些节点,并确保你的数据格式符合要求。