يتناول هذا البحث مشكلة ترتيب النماذج المدربة مسبقًا للكشف عن الأشياء وتصنيف الصور. تعد اختيار أفضل نموذج مدرب مسبقًا من خلال التحسين الدقيق مهمة باهظة الثمن ومُستغرقة للوقت. قد اقترح الباحثون في الدراسات السابقة تقدير القابلية للنقل بناءً على الخصائص المستخرجة بواسطة النماذج المدربة مسبقًا. نحن نعتقد أن تحديد ما إذا كان مجموعة البيانات المستهدفة ضمن التوزيع (IND) أو خارج التوزيع (OOD) بالنسبة للنموذج المدرب مسبقًا هو عامل مهم في تقدير القابلية للنقل. لهذا الغرض، نقترح ETran، وهي مقياس قائم على الطاقة لتقدير القابلية للنقل، يشمل ثلاث درجات: 1) درجة الطاقة، 2) درجة التصنيف، و3) درجة الانحدار. نستخدم النماذج القائمة على الطاقة لتحديد ما إذا كانت مجموعة البيانات المستهدفة OOD أو IND بالنسبة للنموذج المدرب مسبقًا. بخلاف الأعمال السابقة، يمكن تطبيق ETran على نطاق واسع من المهام التي تشمل التصنيف والانحدار وكشف الأشياء (التصنيف + الانحدار). هذه هي أول عمل يقترح تقدير القابلية للنقل للمهمة الخاصة بكشف الأشياء. أظهرت تجاربنا الواسعة على أربع مقاييس وأثنين من المهام أن ETran يتفوق على الأعمال السابقة في مقاييس كشف الأشياء وتصنيف الصور بمتوسط 21% و12% على التوالي، ويحقق أحدث مستوى تقنية (SOTA) في تقدير القابلية للنقل.