YOLOv3
Καμία εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Δεν έχει δημοσιευτεί το βάρος για αυτό το μοντέλο, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε οποιοδήποτε μέγεθος. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του, και καμία κάρτα γραφικών δεν το αλλάζει αυτό..
Σε καταγραφή
Πλήρης προδιαγραφή
Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- University of Washington
- Τύπος οργανισμού
- Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 8 April 2018
- Συγγραφείς
- Joseph Redmon, Ali Farhadi
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Vision
- Εργασία
- Object detection
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- παράμετροι
- 56.9M
- Δεδομένα εκπαίδευσης
- 5,430,000 tokens
Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 2…
Source: https://image-net.org/download.php
Εκπαίδευση υπολογιστών
Η αριθμητική που πραγματοποιήθηκε για την εκπαίδευση του μοντέλου, μετρημένη σε πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της προπόνησης, όχι της ταχύτητας με την οποία το ολοκληρωμένο μοντέλο σας απαντά.
- Εκπαίδευση υπολογιστών
- 1.3 × 10¹⁹ FLOP
- Πώς ιδρύθηκε
- Operation counting
We use the formula training_compute = ops_per_forward_pass * 3.5 * n_epochs * n_examples Assuming 160 epochs of training as in https://arxiv.org/pdf/1612.08242.pdf Table 2: 18700000000 operations 18700000000 ops * 3.5 *160 epochs * 1281167 images
Η εκπαίδευση run
Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.
- Υλικό εκπαίδευσης
- NVIDIA M40,NVIDIA GeForce GTX TITAN X
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στο δικό σας υλικό, το οποίο αποφασίζει αν οποιαδήποτε από τις αριθμούς της κάρτας γραφικών σε αυτή τη σελίδα ισχύει.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
- Κωδικός εκπαίδευσης
- Unreleased
code and weights, unclear license: https://pjreddie.com/darknet/yolo/
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Γιατί παρακολουθείται
- Highly cited
- Εγγραφή εμπιστοσύνης
- Likely
- Παραπομπές
- 25,147
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- YOLOv3: An Incremental Improvement
- Τελευταία ενημέρωση
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Τι είναι αυτό το μοντέλο
YOLOv3 δημοσιεύθηκε από University of Washington, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια April 2018. Ο εκδοτικός οργανισμός κατηγοριοποιείται ως academia.
Λειτουργεί στον τομέα της Vision, και καταγράφεται ότι εκτελεί την εργασία του object detection.
Τα βάρη του δεν έχουν δημοσιευθεί ποτέ, οπότε μπορεί να προσεγγιστεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Εκπαίδευση και προελεύσεις
Η εκπαίδευση απαιτούσε έναν υπολογιστικό προϋπολογισμό περίπου 1.3 × 10¹⁹ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA M40,NVIDIA GeForce GTX TITAN X. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.
Εκπαιδεύτηκε σε ένα σώμα περίπου 5,430,000 κωδικοί κειμένου
Το κριτήριο συμπερασμού του: highly cited.
Απαντήσεις
YOLOv3 — κοινές ερωτήσεις
YOLOv3— είναι ανοιχτού κώδικα;
Όχι. Τα βάρη του δεν έχουν δημοσιευθεί, οπότε υπάρχει μόνο ως υπηρεσία που ελέγχεται από τον ιδιοκτήτη του.
YOLOv3— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 56.9M. Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 237M/4=59M parameters, consistent with the calculation above. Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.
YOLOv3— ποιος το δημιούργησε;
Δημοσιεύθηκε από University of Washington, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως academia.
YOLOv3— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε April 2018. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.
YOLOv3— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Vision, και καταγράφεται ως διαχείριση της εργασίας του object detection. Ένα ΜΟΝΤΕΛ μπορεί να φέρει πολλά από το καθένα, οπότε αυτές είναι οι περιοχές για τις οποίες κατασκευάστηκε παρά περιορισμός σε ό,τι θα προσπαθήσει.
YOLOv3— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;
Η εκπαίδευση κατανάλωσε περίπου 1.3 × 10¹⁹ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA M40,NVIDIA GeForce GTX TITAN X. Αυτό μετράει το κόστος παραγωγής του μοντέλου και δεν λέει τίποτα για το πόσο γρήγορα απαντά μόλις εκπαιδευτεί — η ταχύτητα συμπερασμάτων προέρχεται από τον δίαυλο μνήμης, όχι από τον προϋπολογισμό εκπαίδευσης.
YOLOv3— ποια GPU χρειάζομαι για να το τρέξω;
Κανένα. Αυτό είναι ένα κλειστό μοντέλο - τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε δεν μπορεί να κατέβει ή να εκτελεστεί σε δικό σας υλικό σε καμία τιμή. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.