DeepLabV3+
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
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 7 February 2018
- Autores
- Liang-Chieh Chen, Yukun Zhu, George Papandreou, Florian Schroff, Hartwig Adam
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Semantic segmentation
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
- 8,655,843,074 tokens
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
- Unknown
- Citas
- 16,559
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
DeepLabV3+ fue publicado por Google, en el país registrado como United States of America, durante February 2018. Sale de una organización categorizada como industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de semantic segmentation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió un corpus de alrededor de 8,655,843,074 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
DeepLabV3+ — preguntas comunes
DeepLabV3+— ¿cuándo fue lanzado?
Se publicó en February 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.
DeepLabV3+— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de semantic segmentation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
DeepLabV3+— ¿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.
DeepLabV3+— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
DeepLabV3+— ¿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.
DeepLabV3+— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
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.