R-FCN
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
- Tsinghua University,Microsoft Research
- Tipo de Organización
- Academia,Industry
- País
- China, United States of America
- Publicado
- 21 June 2016
- Autores
- Jifeng Dai, Y. Li, Kaiming He, and Jian Sun
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
- 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
- 10,624,000 tokens
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
- 7.2 × 10¹⁷ FLOP
- Cómo se estableció
- Hardware
1,464 images in 2012 VOC (https://paperswithcode.com/dataset/pascal-voc)/ 9,963 images in 2007 VOC (https://www.tensorflow.org/datasets/catalog/voc) 83K training images in MS COCO (https://paperswithcode.com/dataset/coco) They used a Nvidia K40 GPU and report training time/image in seconds (table 3) Assumed a 0.33 util rate Section 4.2 (MS COCO): "Next we evaluate on the MS COCO dataset [ 13 ] that has 80 object categories. Our experiments involve the 80k train set, 40k val set, and 20k tes…
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
- Confident
- Citas
- 6,003
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- R-fcn: Object detection via region-based fully convolutional networks.
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
R-FCN fue publicado por Tsinghua University,Microsoft Research, en el país registrado como China, durante June 2016. La organización editora está clasificada como academia,Industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object detection.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 7.2 × 10¹⁷ FLOP. 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 10,624,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
R-FCN — preguntas comunes
R-FCN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.2 × 10¹⁷ FLOP. 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.
R-FCN— ¿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.
R-FCN— ¿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.
R-FCN— ¿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.
R-FCN— ¿Quién lo creó?
Fue publicado por Tsinghua University,Microsoft Research, basado en China, una organización categorizada como academia,Industry.
R-FCN— ¿cuándo fue lanzado?
Se publicó en June 2016. 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.
R-FCN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de object detection. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
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.