視覺檢測中的模型遷移技術(shù)主要有以下幾種：

1. Linear Probing（線性探測）：

線性探測是一種評估預訓練模型性能的方法，通過替換模型的最后一層為線性層并保持其余部分不變，僅訓練這個線性層以測試模型的表征學習能力。

該技術(shù)計算效率高，但線性分類器可能無法捕捉到預訓練模型中的復雜線性關(guān)系。

2. Finetune（微調(diào)）：

微調(diào)是指在目標任務上對預訓練模型進行進一步訓練，以適應特定任務的要求。

這一過程可以調(diào)整模型的權(quán)重，使其更好地適應新的數(shù)據(jù)分布，是遷移學習最常用的方法之一。

3. Adapter（適配器）：

適配器方法也是視覺大模型遷移的一種技術(shù)，但具體細節(jié)和原理在要求中未詳細展開。

4. Prompt（提示）：

提示方法同樣屬于視覺大模型遷移的技術(shù)范疇，不過具體實現(xiàn)和應用場景在要求中也未詳細描述。

5. 特征提?。‵eature extraction）：

特征提取是使用預訓練模型的底層卷積層作為特征提取器，這些層能夠捕捉到圖像的通用特征，如邊緣、紋理等。

提取的特征可以作為新任務的輸入，進行后續(xù)的分類或其他任務。

6. 凍結(jié)（Freezing）：

凍結(jié)方法通常用于較小的數(shù)據(jù)集，通過固定預訓練網(wǎng)絡的一些第一層的參數(shù)，其他層在新任務上進行訓練，以減少計算量和數(shù)據(jù)量的需求。

視覺檢測中的模型遷移技術(shù)主要包括Linear Probing、Finetune、Adapter、Prompt、特征提取和凍結(jié)等方法。這些方法各有優(yōu)缺點，可以根據(jù)具體的應用場景和需求選擇合適的技術(shù)進行遷移學習。