iCCCP
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
- Massachusetts Institute of Technology (MIT)
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 13 June 2010
- Autoři
- Long Zhu; Yuanhao Chen; Alan Yuille; William Freeman
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Object detection
- Přístup
- Supervised
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 10,000 tokens
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
- 1.1 × 10¹⁵ FLOP
- Jak bylo ustanoveno
- Hardware
“All experiments are performed on a standard computer with a 3Ghz CPU” “It takes 25 hours (about 25 iCCCP iterations) to train an object class with two mixture templates.” Individual models for some of the classes. Assuming a Core 2 with 8 FLOP/cycle was used with a utilization of 0.5: 3000000000*8*25*60*60*0.5=1080000000000000
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Používané čipy
- 1
- Doba reálného času
- 25 hours
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.
- Proč je to sledováno
- Historical significance,SOTA improvement
- Záznam důvěry
- Confident
"We perform object detection using our learnt models and obtain performance comparable with state-of-the-art methods when evaluated on challenging public PASCAL datasets. "
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Latent hierarchical structural learning for object detection
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
iCCCP byl zveřejněn Massachusetts Institute of Technology (MIT), v zemi zaznamenané jako United States of America, během June 2010. Kategorie, do které vydavatel spadá, je 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.
Trénink a původ
Trenovací běh spotřeboval asi 1.1 × 10¹⁵ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 10,000 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: historical significance,SOTA improvement.
Odpovědi
iCCCP — běžné otázky
iCCCP— Kdo to vytvořil?
Bylo to publikováno společností Massachusetts Institute of Technology (MIT), zakládající se na United States of America, organizace zařazená jako academia.
iCCCP— Kdy byl vydán?
Bylo to zveřejněno v June 2010. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
iCCCP— 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.
iCCCP— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.1 × 10¹⁵ FLOP. 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.
iCCCP— 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.
iCCCP— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
iCCCP— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
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.