Faster R-CNN
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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
- Microsoft Research
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 4 June 2015
- Autores
- S Ren, K He, R Girshick, J 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
- 102,400,000 tokens
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
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT license for repo: https://github.com/ShaoqingRen/faster_rcnn contains weights and training scripts
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
- 72,570
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Faster R-CNN fue publicado por Microsoft Research, en el país registrado como United States of America, durante June 2015. Sale de una organización categorizada como industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object detection.
Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 102,400,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
Faster R-CNN — preguntas comunes
Faster R-CNN— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
Faster R-CNN— ¿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.
Faster R-CNN— ¿Quién lo creó?
Fue publicado por Microsoft Research, basado en United States of America, una organización categorizada como industry.
Faster R-CNN— ¿cuándo fue lanzado?
Se publicó en June 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.
Faster R-CNN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de object detection. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Faster R-CNN— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
Faster R-CNN— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
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.