SAF R-CNN
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
- Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore
- Tipo de Organización
- Academia,Academia,Industry,Academia
- País
- China, Singapore
- Publicado
- 28 October 2015
- Autores
- Jianan Li, Xiaodan Liang, ShengMei Shen, Tingfa Xu, Jiashi Feng, Shuicheng Yan
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
- Enfoque
- Supervised
- Modelo base
- VGG16
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
- 138M
- Datos de entrenamiento
- 350,000 tokens
- Épocas
- 7
Taken from VGG16 base model, ignoring minor architectural changes
"There are totally 350,000 bounding boxes of about 2,300 unique pedestrians labeled in 250,000 frames" "We use dense sampling of the training data (every 4th frame"
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
- 1.2 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting
- Computación de ajuste fino
- 2 × 10¹⁶ FLOP
Base model: 12291000000000002000 Base model inference FLOP: 15300000000 Finetune for 7 epochs with 62500 training examples 15300000000*3*62500*7=20081250000000000=2e16 Total compute: 12291000000000002000+20081250000000000=12311081250000002000
15300000000*3*62500*7=20081250000000000=2e16
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 GeForce GTX TITAN X
- Chips utilizados
- 1
- Consumo de energía
- 291 W
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
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Likely
Pedestrian Detection on Caltech benchmark "our method achieves state-of-the-art performance on Caltech, INRIA, and ETH, and obtains competitive results on KITTI. "
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Scale-aware Fast R-CNN for Pedestrian Detection
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
SAF R-CNN fue publicado por Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, en el país registrado como China, durante October 2015. La organización editora está clasificada como academia,Academia,Industry,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object detection.
Su punto de partida fue un modelo base existente, VGG16. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 1.2 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 350,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
SAF R-CNN — preguntas comunes
SAF R-CNN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
SAF R-CNN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 138M. Taken from VGG16 base model, ignoring minor architectural changes. 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.
SAF R-CNN— ¿Quién lo creó?
Fue publicado por Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, basado en China, una organización categorizada como academia,Academia,Industry,Academia.
SAF R-CNN— ¿cuándo fue lanzado?
Se publicó en October 2015. 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.
SAF R-CNN— ¿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.
SAF R-CNN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.2 × 10¹⁹ FLOP, en hardware registrado como 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.
SAF R-CNN— ¿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.