R-CNN (T-net)
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
- University of California (UC) Berkeley
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 11 November 2013
- Autoři
- Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Object detection
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 69M
- Výcviková data
- tokens
Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- Highly cited
- Citace
- 28,903
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Rich feature hierarchies for accurate object detection and semantic segmentation
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Co je tento MODEL
R-CNN (T-net) byl zveřejněn University of California (UC) Berkeley, v zemi zaznamenané jako United States of America, během November 2013. Vychází z organizace, která je kategorizována jako academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol object detection.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Je sledováno v základním datasetu z jednoho konkrétního důvodu: highly cited.
Odpovědi
R-CNN (T-net) — běžné otázky
R-CNN (T-net)— 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.
R-CNN (T-net)— 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.
R-CNN (T-net)— kolik má parametrů?
Má počet parametrů 69M. Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
R-CNN (T-net)— Kdo to vytvořil?
Bylo to publikováno společností University of California (UC) Berkeley, zakládající se na United States of America, organizace zařazená jako academia.
R-CNN (T-net)— Kdy byl vydán?
Bylo to zveřejněno v November 2013. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
R-CNN (T-net)— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol object detection. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
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.