DeepLabV3
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello 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
- 17 June 2017
- 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
- Numerical format
- FP32
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 8,354,563,074 tokens
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- Highly cited
- Registrar confianza
- Unknown
- Citas
- 9,873
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Rethinking Atrous Convolution for Semantic Image Segmentation
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
DeepLabV3 was published by Google, in United States of America, in June 2017. It comes out of industry.
It works in Vision, and is recorded as doing semantic segmentation.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Qué se utilizó para construirlo
Around 8,354,563,074 tokens went into training it.
The reason it appears in this catalogue at all is highly cited.
Respuestas
DeepLabV3 — Preguntas frecuentes
What is DeepLabV3 used for?
DeepLabV3 works in Vision, and is recorded as handling semantic segmentation. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run DeepLabV3?
None. DeepLabV3 is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DeepLabV3 open source?
The licensing for DeepLabV3 was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does DeepLabV3 have?
No parameter count has been published for DeepLabV3, which is why no memory or speed figure appears on this page.
Who created DeepLabV3?
DeepLabV3 was published by Google, based in United States of America, categorised as industry.
When was DeepLabV3 released?
DeepLabV3 was published in June 2017. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.