SAF R-CNN
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore
- Organisationsart
- Academia,Academia,Industry,Academia
- Land
- China, Singapore
- Veröffentlicht
- 28 October 2015
- Autoren
- Jianan Li, Xiaodan Liang, ShengMei Shen, Tingfa Xu, Jiashi Feng, Shuicheng Yan
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Object detection
- Ansatz
- Supervised
- Basis-Modell
- VGG16
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 138M
- Trainingsdaten
- 350,000 tokens
- Epochen
- 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"
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 1.2 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Operation counting
- Feinabstimmung Rechenleistung
- 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
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA GeForce GTX TITAN X
- Verwendete Chips
- 1
- Stromverbrauch
- 291 W
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Grenzmodell
- Yes
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- 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. "
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Scale-aware Fast R-CNN for Pedestrian Detection
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
SAF R-CNN wurde veröffentlicht von Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, im Land aufgezeichnet als China, während October 2015. Die veröffentlichende Organisation ist als academia,Academia,Industry,Academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet object detection.
Der Ausgangspunkt war ein vorhandenes Basis-Modell, VGG16. Die meisten Modelle in diesem Bereich sind von einer bestehenden Basis abgeleitet, anstatt aus dem Nichts erstellt zu werden.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Was in den Aufbau geflossen ist
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1.2 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX TITAN X. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Trainingssatz lief auf etwa 350,000 Text-Tokens
Das Einschlusskriterium: sOTA improvement.
Antworten
SAF R-CNN — Häufige Fragen
SAF R-CNN— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
SAF R-CNN— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 138M. Taken from VGG16 base model, ignoring minor architectural changes. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
SAF R-CNN— Wer hat es erstellt?
Es wurde veröffentlicht von Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, basiert auf China, eine als kategorisierte Organisation academia,Academia,Industry,Academia.
SAF R-CNN— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in October 2015. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
SAF R-CNN— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von object detection. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
SAF R-CNN— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.2 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX TITAN X. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
SAF R-CNN— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.