improved U-Net for chest X-ray images segmentation
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Henan University of Technology,Nanyang Central Hospital
- Typ organizace
- Academia,Government
- Země
- China
- Publikováno
- 23 May 2022
- Autoři
- Wufeng Liu, Jiaxin Luo, Yan Yang, Wenlian Wang, Junkui Deng & Liang Yu
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Medicine, Vision
- Úkol
- Visual question answering, Medical diagnosis
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 182,517,760 tokens
- Epochy
- 70
"The batch size is set to 64. Max epochs are set to 70." "image size was adjusted to 256 * 256"
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce RTX 3060,Intel Core i5-11600K
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Unknown
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Automatic lung segmentation in chest X-ray images using improved U-Net
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Odkud to přišlo
improved U-Net for chest X-ray images segmentation byl zveřejněn Henan University of Technology,Nanyang Central Hospital, v zemi zaznamenané jako China, během May 2022. Vychází z organizace, která je kategorizována jako academia,Government.
funguje v oblasti Medicine, Vision, a je zaznamenán jako vykonávající úkol visual question answering, Medical diagnosis.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Trénink spotřeboval korpus kolem 182,517,760 tokeny textu
Odpovědi
improved U-Net for chest X-ray images segmentation — běžné otázky
improved U-Net for chest X-ray images segmentation— K čemu se to používá?
funguje v oblasti Medicine, Vision, a je zaznamenáno jako zpracovávající úkol visual question answering, Medical diagnosis. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
improved U-Net for chest X-ray images segmentation— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
improved U-Net for chest X-ray images segmentation— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
improved U-Net for chest X-ray images segmentation— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
improved U-Net for chest X-ray images segmentation— Kdo to vytvořil?
Bylo to publikováno společností Henan University of Technology,Nanyang Central Hospital, zakládající se na China, organizace zařazená jako academia,Government.
improved U-Net for chest X-ray images segmentation— Kdy byl vydán?
Bylo to zveřejněno v May 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.