SAF R-CNN
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
- Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore
- Typ organizace
- Academia,Academia,Industry,Academia
- Země
- China, Singapore
- Publikováno
- 28 October 2015
- Autoři
- Jianan Li, Xiaodan Liang, ShengMei Shen, Tingfa Xu, Jiashi Feng, Shuicheng Yan
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Object detection
- Přístup
- Supervised
- Základní model
- VGG16
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 138M
- Výcviková data
- 350,000 tokens
- Epochy
- 7
Taken from VGG16 base model, ignoring minor architectural changes
"There are totally 350,000 bounding boxes of about 2,300 unique pedestrians labeled in 250,000 frames" "We use dense sampling of the training data (every 4th frame"
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 1.2 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Operation counting
- Ladění výpočtů
- 2 × 10¹⁶ FLOP
Base model: 12291000000000002000 Base model inference FLOP: 15300000000 Finetune for 7 epochs with 62500 training examples 15300000000*3*62500*7=20081250000000000=2e16 Total compute: 12291000000000002000+20081250000000000=12311081250000002000
15300000000*3*62500*7=20081250000000000=2e16
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce GTX TITAN X
- Používané čipy
- 1
- Příkon
- 291 W
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Frontier model
- Yes
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Likely
Pedestrian Detection on Caltech benchmark "our method achieves state-of-the-art performance on Caltech, INRIA, and ETH, and obtains competitive results on KITTI. "
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Scale-aware Fast R-CNN for Pedestrian Detection
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Co je tento MODEL
SAF R-CNN byl zveřejněn Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, v zemi zaznamenané jako China, během October 2015. Vydavatelská organizace je kategorizována jako academia,Academia,Industry,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol object detection.
Jeho výchozím bodem byl existující základní model, VGG16. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Co bylo zapotřebí k jeho vybudování
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.2 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX TITAN X. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 350,000 tokeny textu
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
SAF R-CNN — běžné otázky
SAF R-CNN— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
SAF R-CNN— kolik má parametrů?
Má počet parametrů 138M. Taken from VGG16 base model, ignoring minor architectural changes. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
SAF R-CNN— Kdo to vytvořil?
Bylo to publikováno společností Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, zakládající se na China, organizace zařazená jako academia,Academia,Industry,Academia.
SAF R-CNN— Kdy byl vydán?
Bylo to zveřejněno v October 2015. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
SAF R-CNN— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol object detection. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
SAF R-CNN— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.2 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX TITAN X. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
SAF R-CNN— 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.
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.