DeepLab (2017)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Johns Hopkins University,Google,University College London (UCL)
- Organisationstyp
- Academia,Industry,Academia
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 27 April 2017
- Autoren
- Liang-Chieh Chen, George Papandreou, Iasonas Kokkinos, Kevin Murphy, Alan L. Yuille
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Vision
- Aufgabe
- Image segmentation
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- 26,455,000 tokens
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Warum es nachverfolgt wird
- Highly cited
- Aufzeichnungszuversicht
- Unknown
- Zitationen
- 20,019
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Hintergrund
DeepLab (2017) was published by Johns Hopkins University,Google,University College London (UCL), in United States of America, in April 2017. It comes out of academia,Industry,Academia.
It works in Vision, and is recorded as doing image segmentation.
Seine Gewichte wurden nie veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarte ändert das.
Wie es trainiert wurde
Around 26,455,000 tokens went into training it.
It is tracked in the underlying dataset for one reason in particular: highly cited.
Antworten
DeepLab (2017) — Häufig gestellte Fragen
Is DeepLab (2017) open source?
The licensing for DeepLab (2017) was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does DeepLab (2017) have?
No parameter count has been published for DeepLab (2017), which is why no memory or speed figure appears on this page.
Who created DeepLab (2017)?
DeepLab (2017) was published by Johns Hopkins University,Google,University College London (UCL), based in United States of America, categorised as academia,Industry,Academia.
When was DeepLab (2017) released?
DeepLab (2017) was published in April 2017. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DeepLab (2017) used for?
DeepLab (2017) works in Vision, and is recorded as handling image segmentation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
What GPU do I need to run DeepLab (2017)?
None. DeepLab (2017) is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.