计算机视觉任务中常用的模型包括以下几种：

1. 卷积神经网络(CNN)：CNN是计算机视觉任务的主要模型，它通过使用卷积层捕捉图像中的局部特征。许多经典的CNN结构如LeNet、AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet等已经在图像分类、目标检测和语义分割等任务中取得了显著的成功。
2. 目标检测模型：目标检测是计算机视觉的一个重要任务，常见的模型包括Faster R-CNN、YOLO、Mask R-CNN和DeepLab等。这些模型可以检测出图像中的物体，并对物体的位置和类别进行分类。
3. 语义分割模型：语义分割是将图像逐像素地划分为不同的语义类别。常见的语义分割模型包括DeepLab、Mask R-CNN和CycleGAN等。
4. 生成对抗网络(GAN)：GAN是一种生成模型，通过一个生成器网络和一个判别器网络相互对抗来生成新的数据。常见的GAN模型包括DCGAN、Pix2Pix、CycleGAN和StyleGAN等，它们可以用于图像生成、图像修复、图像风格转换等任务。
5. 迁移学习模型：迁移学习是一种将已经在一个任务上学到的知识应用到另一个任务上的方法。在计算机视觉中，迁移学习模型可以将在一个大规模图像数据集上学到的知识应用到另一个相关任务上，例如在图像分类任务上学到的知识可以应用于目标检测和语义分割任务。

这些模型在不同的计算机视觉任务中都有应用，选择哪种模型通常取决于任务的性质和数据的特点。