Mono3D++
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of California Los Angeles (UCLA),Megvii Inc
- Tipo de Organización
- Academia,Industry
- País
- United States of America, China
- Publicado
- 11 January 2019
- Autores
- Tong He, Stefano Soatto
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- 3D modeling, Vision
- Tarea
- 3D segmentation, Object detection
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
"We evaluate our method on the KITTI object detection benchmark. This dataset contains 7, 481 training images "
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 4.9 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
(4) * (6.691 * 10**12) * (168* 3600) * (0.3) = (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = training time - about one week = 168 hours from "It takes about one week to train the 2D bounding box net-work, and two hours for the orientation/3D scale network on KITTI with 4 TITAN-X GPUs. The landmark detector is trained on Pascal3D. The training process for the monocu- lar depth estimation network is unsupervised using KITTI stereo-pairs, which takes around 5 to 12 …
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA GeForce GTX TITAN X
- Chips utilizados
- 4
- Horas de chip
- 672
- Tiempo de reloj
- 168 hours (7 days)
- Consumo de energía
- 2.1 kW
"about one week" from section 3.4
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 135
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Mono3D++: Monocular 3D Vehicle Detection with Two-Scale 3D Hypotheses and Task Priors
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
Mono3D++ fue publicado por University of California Los Angeles (UCLA),Megvii Inc, en el país registrado como United States of America, durante January 2019. La categoría en la que se encuentra el editor es academia,Industry.
Funciona en el dominio de 3D modeling, Vision, y se registra como realizando la tarea de 3D segmentation, Object detection.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 4.9 × 10¹⁸ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Mono3D++ — preguntas comunes
Mono3D++— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.9 × 10¹⁸ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Mono3D++— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Mono3D++— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Mono3D++— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Mono3D++— ¿Quién lo creó?
Fue publicado por University of California Los Angeles (UCLA),Megvii Inc, basado en United States of America, una organización categorizada como academia,Industry.
Mono3D++— ¿cuándo fue lanzado?
Se publicó en January 2019. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Mono3D++— ¿Para qué se utiliza?
Funciona en el dominio de 3D modeling, Vision, y se registra como manejando la tarea de 3D segmentation, Object detection. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.