VGG-Face
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
- University of Oxford
- Tipo de Organización
- Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 1 January 2015
- Autores
- Omkar M. Parkhi, A. Vedaldi, Andrew Zisserman
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Face recognition
- Enfoque
- Supervised
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
- 2,600,000 tokens
Their largest model uses the VGG16 architecture
Table 2 in https://www.bmva-archive.org.uk/bmvc/2015/papers/paper041/abstract041.pdf
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 Black
- Chips utilizados
- 4
- Consumo de energía
- 2.1 kW
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.
- Por qué se rastrea
- SOTA improvement,Highly cited
- Confianza de registro
- Confident
https://paperswithcode.com/sota/face-verification-on-youtube-faces-db "achieve comparable state of the art results on the standard LFW and YTF face benchmarks."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Face Recognition
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
VGG-Face fue publicado por University of Oxford, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante January 2015. La organización editora está clasificada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face recognition.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
El entrenamiento consumió un corpus de alrededor de 2,600,000 tokens de texto
Su criterio de inclusión: sOTA improvement,Highly cited.
Respuestas
VGG-Face — preguntas comunes
VGG-Face— ¿cuándo fue lanzado?
Se publicó en January 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.
VGG-Face— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face recognition. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
VGG-Face— ¿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.
VGG-Face— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
VGG-Face— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 138M. Their largest model uses the VGG16 architecture. 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.
VGG-Face— ¿Quién lo creó?
Fue publicado por University of Oxford, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia.
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.