R-CNN (T-net)
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 California (UC) Berkeley
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 11 November 2013
- Autores
- Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik
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.
- parámetros
- 69M
- Datos de entrenamiento
- tokens
Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb
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
- Citas
- 28,903
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Rich feature hierarchies for accurate object detection and semantic segmentation
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
R-CNN (T-net) fue publicado por University of California (UC) Berkeley, en el país registrado como United States of America, durante November 2013. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object detection.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Cómo fue entrenado
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited.
Respuestas
R-CNN (T-net) — preguntas comunes
R-CNN (T-net)— ¿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.
R-CNN (T-net)— ¿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.
R-CNN (T-net)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 69M. Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb. 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.
R-CNN (T-net)— ¿Quién lo creó?
Fue publicado por University of California (UC) Berkeley, basado en United States of America, una organización categorizada como academia.
R-CNN (T-net)— ¿cuándo fue lanzado?
Se publicó en November 2013. 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.
R-CNN (T-net)— ¿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.
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.