Synergistic Face Detector
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
- NEC Laboratories,Courant Institute of Mathematical Sciences
- Τύπος οργανισμού
- Industry,Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 1 December 2004
- Συγγραφείς
- Margarita Osadchy, Matthew Miller, Yann LeCun
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Vision
- Εργασία
- Face 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
- 16.6K
- Δεδομένα εκπαίδευσης
- tokens
- Εποχές
- 9
"We employ a network architecture similar to LeNet5 [6]. The difference is in the number of maps. In our architecture we have 8 feature maps in the bottom convolutional and subsampling layers and 20 maps in the next two layers. The last layer has 9 outputs to encode two pose parameters" Using the general architecture of LeNet5 from "Gradient-based learning applied to document recognition" (LeCun, 1998), we get: C1: CNN, D = 8, K=5, C=1; Parameters = 200 C3: CNN, D=20, K=5, C=8; Parameters = 4,00…
52,850x2x5
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
- 5.3 × 10¹³ FLOP
- Πώς ιδρύθηκε
- Hardware
26*60*60*[(2.81E+03)*((1E6)/2.5)]*0.5 "Training was performed using LUSH [1], and the total training time was about 26 hours on a 2Ghz Pentium 4" "The Progress of Computing" (Nordhaus, 2001) says that a Pentium 4 runs at 2.81E+03 MSOPS, and that "Most benchmarks find that 1 million flops correspond to between 2 and 3 MSOPS" A utilization rate of 0.5 was estimated since this is a smaller model that ran on a CPU (both of which suggest a slightly higher utilization rate than 0.3 to 0.4)
Η εκπαίδευση run
Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.
- Υλικό εκπαίδευσης
- Intel Pentium 4 2.40
- Χρόνος τοίχου
- 26 hours
"Training was performed using LUSH [1], and the total training time was about 26 hours on a 2Ghz Pentium 4"
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
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Εγγραφή εμπιστοσύνης
- Confident
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Synergistic Face Detection and Pose Estimation with Energy-Based Models
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Σχετικά με αυτό το μοντέλο
Synergistic Face Detector δημοσιεύθηκε από NEC Laboratories,Courant Institute of Mathematical Sciences, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια December 2004. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι industry,Academia.
Λειτουργεί στον τομέα της Vision, και καταγράφεται ότι εκτελεί την εργασία του face detection.
Αυτό είναι ένα κλειστό μοντέλο: οι εκπαιδευμένες τιμές παρέμειναν με όποιον τις παρήγαγε, και δεν υπάρχει τοπική έκδοση για να τρέξει.
Πώς εκπαιδεύτηκε
Η παραγωγή του απαιτούσε αριθμητική που ανήλθε περίπου 5.3 × 10¹³ FLOP, σε υλικό καταγεγραμμένο ως Intel Pentium 4 2.40. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.
Απαντήσεις
Synergistic Face Detector — κοινές ερωτήσεις
Synergistic Face Detector— είναι ανοιχτού κώδικα;
Όχι. Τα βάρη του δεν έχουν δημοσιευθεί, οπότε υπάρχει μόνο ως υπηρεσία που ελέγχεται από τον ιδιοκτήτη του.
Synergistic Face Detector— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 16.6K. "We employ a network architecture similar to LeNet5 [6]. The difference is in the number of maps. In our architecture we have 8 feature maps in the bottom convolutional and subsampling layers and 20 maps in the next two layers. The last layer has 9 outputs to encode two pose parameters" Using the general architecture of LeNet5 from "Gradient-based learning applied to document recognition" (LeCun, 1998), we get: C1: CNN, D = 8, K=5, C=1; Parameters = 200 C3: CNN, D=20, K=5, C=8; Parameters = 4,000 C5: NN, D=20, K=5, C=20; Parameters = 10,000 F6: NN, N=20, M=84; Parameters = 1,680 Output: NN, N=84, M=9; Parameters = 756 Pooling layers: negligible Parameters = 16,636. 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.
Synergistic Face Detector— ποιος το δημιούργησε;
Δημοσιεύθηκε από NEC Laboratories,Courant Institute of Mathematical Sciences, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως industry,Academia.
Synergistic Face Detector— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε December 2004. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.
Synergistic Face Detector— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Vision, και καταγράφεται ως διαχείριση της εργασίας του face 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.
Synergistic Face Detector— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;
Η εκπαίδευση κατανάλωσε περίπου 5.3 × 10¹³ FLOP, σε υλικό καταγεγραμμένο ως Intel Pentium 4 2.40. 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.
Synergistic Face Detector— 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.