SPPNet
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
- Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC)
- Tipo de Organización
- Industry,Academia,Academia
- País
- United States of America, China
- Publicado
- 18 June 2014
- Autores
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, 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
- Image classification
- 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
- 1,280,000 tokens
Section 3.1: "We train the networks on the 1000-category training set of ImageNet 2012."
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
- 3.4 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks." 4.7e12 FLOP/s * 4* 7*24*60*60 seconds * 0.3 utilisation
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
- Tiempo de reloj
- 672 hours (28 days)
- Costo de cómputo
- $52
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks."
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
- Highly cited
- Confianza de registro
- Confident
- Citas
- 12,524
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
SPPNet fue publicado por Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), en el país registrado como United States of America, durante June 2014. La categoría en la que se encuentra el editor es industry,Academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 3.4 × 10¹⁸ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN. 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 1,280,000 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
SPPNet — preguntas comunes
SPPNet— ¿Quién lo creó?
Fue publicado por Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), basado en United States of America, una organización categorizada como industry,Academia,Academia.
SPPNet— ¿cuándo fue lanzado?
Se publicó en June 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.
SPPNet— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
SPPNet— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.4 × 10¹⁸ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN. 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.
SPPNet— ¿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.
SPPNet— ¿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.
SPPNet— ¿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.
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.