ACF-WIDER
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
- Chinese Academy of Sciences
- Tipo de Organización
- Academia
- País
- China
- Publicado
- 15 July 2014
- Autores
- Binh Yang, Junjie Yan, Zhen Lei, S. Li
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 detection
- 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
- 6.1K
- Datos de entrenamiento
- 144,448 tokens
The paper trains a decision tree ensemble. “we choose 2048 as the number of weak classifiers contained in the soft cascade. As each weak classifier is a depth-2 decision tree, it takes only two comparing operations to apply a weak classifier, which is quite fast.” Parameters: 2048*(2^2-1)=6144
“there are in total 36, 112 positive samples and 108, 336 negative samples selected from AFLW”
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
- 7.6 × 10¹³ FLOP
- Cómo se estableció
- Hardware
Training compute: 10.2 minutes * 4 * 3.9* 10^9 cycles per second * 16 FLOP per cycle * 0.5 = 7.638*10^13 FLOPs “on a PC with Intel Core i7-3770 CPU and 16GB RAM” Ivy Bridge, 4 cores, 3.9GHz, 16 FP32 FLOP/cycle (https://en.wikipedia.org/wiki/Floating_point_operations_per_second ) “and 10.2 mins for multi-scale version.”
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Chips utilizados
- 1
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
- Código de entrenamiento
- 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
- Confianza de registro
- Confident
https://paperswithcode.com/sota/face-detection-on-wider-face-medium "the multi-view face detector using aggregate channel features shows competitive performance against state-of-the-art algorithms on AFW and FDDB test-sets, while runs at 42 FPS on VGA images."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Aggregate channel features for multi-view face detection
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
ACF-WIDER fue publicado por Chinese Academy of Sciences, en el país registrado como China, durante July 2014. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face 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
Producirlo requirió una aritmética que totaliza alrededor de 7.6 × 10¹³ FLOP. 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 144,448 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
ACF-WIDER — preguntas comunes
ACF-WIDER— ¿Quién lo creó?
Fue publicado por Chinese Academy of Sciences, basado en China, una organización categorizada como academia.
ACF-WIDER— ¿cuándo fue lanzado?
Se publicó en July 2014. 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.
ACF-WIDER— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face detection. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
ACF-WIDER— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.6 × 10¹³ 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.
ACF-WIDER— ¿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.
ACF-WIDER— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
ACF-WIDER— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 6.1K. The paper trains a decision tree ensemble. “we choose 2048 as the number of weak classifiers contained in the soft cascade. As each weak classifier is a depth-2 decision tree, it takes only two comparing operations to apply a weak classifier, which is quite fast.” Parameters: 2048*(2^2-1)=6144. 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.
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.