Fisher Vector image classifier
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
- Universidad Nacional de Cordoba,Inteligent Systems Lab Amsterdam,University of Amsterdam,LEAR Team,INRIA,Xerox Research Centre Europe (XRCE)
- Tipo de Organización
- Academia,Academia,Academia,Academia,Industry
- País
- Argentina, Netherlands, France
- Publicado
- 12 June 2013
- Autores
- orge Sanchez, Florent Perronnin, Thomas Mensink, Jakob Verbeek
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
- 4,500,000 tokens
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
- 9.1 × 10¹³ FLOP
- Cómo se estableció
- Hardware
They use a Intel Xeon E5-2470 Processor for 2 hours. This can do 12,617 MOps/Sec (average test results, assuming they achieved a similar utilization) https://www.cpubenchmark.net/cpu.php?cpu=Intel+Xeon+E5-2470+%40+2.30GHz&id=2003 12617000000*2*60*60=90842400000000
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 2 hours
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 1,707
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Image Classification with the Fisher Vector: Theory and Practice
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Fisher Vector image classifier fue publicado por Universidad Nacional de Cordoba,Inteligent Systems Lab Amsterdam,University of Amsterdam,LEAR Team,INRIA,Xerox Research Centre Europe (XRCE), en el país registrado como Argentina, durante June 2013. Sale de una organización categorizada como academia,Academia,Academia,Academia,Industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
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.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 9.1 × 10¹³ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 4,500,000 tokens de texto
Respuestas
Fisher Vector image classifier — preguntas comunes
Fisher Vector image classifier— ¿cuándo fue lanzado?
Se publicó en June 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.
Fisher Vector image classifier— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Fisher Vector image classifier— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9.1 × 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.
Fisher Vector image classifier— ¿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.
Fisher Vector image classifier— ¿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.
Fisher Vector image classifier— ¿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.
Fisher Vector image classifier— ¿Quién lo creó?
Fue publicado por Universidad Nacional de Cordoba,Inteligent Systems Lab Amsterdam,University of Amsterdam,LEAR Team,INRIA,Xerox Research Centre Europe (XRCE), basado en Argentina, una organización categorizada como academia,Academia,Academia,Academia,Industry.
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.