YOLOv3
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 Washington
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 8 April 2018
- Autores
- Joseph Redmon, Ali Farhadi
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- 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.
- parámetros
- 56.9M
- Datos de entrenamiento
- 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
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
- 1.3 × 10¹⁹ FLOP
- Cómo se estableció
- 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
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 M40,NVIDIA GeForce GTX TITAN X
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
code and weights, unclear license: https://pjreddie.com/darknet/yolo/
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Highly cited
- Confianza de registro
- Likely
- Citas
- 25,147
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- YOLOv3: An Incremental Improvement
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
YOLOv3 fue publicado por University of Washington, en el país registrado como United States of America, durante April 2018. La organización editora está clasificada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de 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 1.3 × 10¹⁹ FLOP, en hardware registrado como NVIDIA M40,NVIDIA GeForce GTX TITAN X. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 5,430,000 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
YOLOv3 — preguntas comunes
YOLOv3— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
YOLOv3— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 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. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
YOLOv3— ¿Quién lo creó?
Fue publicado por University of Washington, basado en United States of America, una organización categorizada como academia.
YOLOv3— ¿cuándo fue lanzado?
Se publicó en April 2018. 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.
YOLOv3— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de 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.
YOLOv3— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.3 × 10¹⁹ FLOP, en hardware registrado como NVIDIA M40,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.
YOLOv3— ¿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.
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.