TriNet
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
- Visual Computing Institute,RWTH Aachen University
- Tipo de Organización
- Academia
- País
- Germany
- Publicado
- 21 November 2017
- Autores
- Alexander Hermans, Lucas Beyer, Bastian Leibe
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Video
- Tarea
- Person re-identification
- Formato numérico
- FP32
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
- 509,914 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,Historical significance
- Confianza de registro
- Unknown
- Citas
- 3,553
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- In Defense of the Triplet Loss for Person Re-Identification
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
TriNet fue publicado por Visual Computing Institute,RWTH Aachen University, en el país registrado como Germany, durante November 2017. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Video, y se registra como realizando la tarea de person re-identification.
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.
Qué se necesitó para construirlo
El entrenamiento consumió un corpus de alrededor de 509,914 tokens de texto
Su criterio de inclusión: highly cited,Historical significance.
Respuestas
TriNet — preguntas comunes
TriNet— ¿Para qué se utiliza?
Funciona en el dominio de Video, y se registra como manejando la tarea de person re-identification. 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.
TriNet— ¿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.
TriNet— ¿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.
TriNet— ¿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.
TriNet— ¿Quién lo creó?
Fue publicado por Visual Computing Institute,RWTH Aachen University, basado en Germany, una organización categorizada como academia.
TriNet— ¿cuándo fue lanzado?
Se publicó en November 2017. 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.
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.