CNN committee (traffic sign)
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
- IDSIA
- Organisationsart
- Academia
- Land
- Switzerland
- Veröffentlicht
- 3 October 2011
- Autoren
- D. Ciresan, U. Meier, Jonathan Masci, J. Schmidhuber
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Image classification
- Ansatz
- Supervised
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
- 1.4M
- Trainingsdaten
- 53,280 tokens
- Epochen
- 50
Parameters L1: 3*3*3*100=2700 L3: 100*4*4*150=240000 L5: 150*3*3*250=337500 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2700+240000+337500+800000+8600=1388800
[images] “The training set consists of 26640 images“ “we resize all images to 48 × 48 pixels”
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
- 9.9 × 10¹⁴ FLOP
- Wie es etabliert wurde
- Operation counting
Training FLOP L1: 3*3*3*46*46*100=5713200 L3: 100*4*4*20*20*150=96000000 L5: 150*3*3*8*8*250=21600000 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2*(5713200+96000000+21600000+800000+8600)=248243600 Training Compute: 248243600*3*26640*50=991981425600000=9.9e14
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 580,NVIDIA GeForce GTX 480
- Verwendete Chips
- 4
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
- Training-Code
- Unreleased
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- Historical significance,SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
"We describe the approach that won the preliminary phase of the German traffic sign recognition benchmark with a better-than-human recognition rate of 98.98%.We obtain an even better recognition rate of 99.15% by further training the nets. "
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- A committee of neural networks for traffic sign classification
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Woher es kam
CNN committee (traffic sign) wurde veröffentlicht von IDSIA, im Land aufgezeichnet als Switzerland, während October 2011. Es stammt aus einer Organisation, die kategorisiert ist als academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 9.9 × 10¹⁴ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Trainingssatz lief auf etwa 53,280 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: historical significance,SOTA improvement.
Antworten
CNN committee (traffic sign) — Häufige Fragen
CNN committee (traffic sign)— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von image classification. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
CNN committee (traffic sign)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 9.9 × 10¹⁴ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.
CNN committee (traffic sign)— 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.
CNN committee (traffic sign)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
CNN committee (traffic sign)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 1.4M. Parameters L1: 3*3*3*100=2700 L3: 100*4*4*150=240000 L5: 150*3*3*250=337500 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2700+240000+337500+800000+8600=1388800. 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.
CNN committee (traffic sign)— Wer hat es erstellt?
Es wurde veröffentlicht von IDSIA, basiert auf Switzerland, eine als kategorisierte Organisation academia.
CNN committee (traffic sign)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in October 2011. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
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.