CNN committee (traffic sign)
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
- IDSIA
- Tipo de Organización
- Academia
- País
- Switzerland
- Publicado
- 3 October 2011
- Autores
- D. Ciresan, U. Meier, Jonathan Masci, J. Schmidhuber
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
- 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
- 1.4M
- Datos de entrenamiento
- 53,280 tokens
- Épocas
- 50
Parameters L1: 3*3*3*100=2700 L3: 100*4*4*150=240000 L5: 150*3*3*250=337500 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2700+240000+337500+800000+8600=1388800
[images] “The training set consists of 26640 images“ “we resize all images to 48 × 48 pixels”
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
- 9.9 × 10¹⁴ FLOP
- Cómo se estableció
- Operation counting
Training FLOP L1: 3*3*3*46*46*100=5713200 L3: 100*4*4*20*20*150=96000000 L5: 150*3*3*8*8*250=21600000 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2*(5713200+96000000+21600000+800000+8600)=248243600 Training Compute: 248243600*3*26640*50=991981425600000=9.9e14
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 580,NVIDIA GeForce GTX 480
- Chips utilizados
- 4
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
- Historical significance,SOTA improvement
- Confianza de registro
- Likely
"We describe the approach that won the preliminary phase of the German traffic sign recognition benchmark with a better-than-human recognition rate of 98.98%.We obtain an even better recognition rate of 99.15% by further training the nets. "
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A committee of neural networks for traffic sign classification
- Última actualización
- 11 February 2026
Qué significan los números
De dónde vino
CNN committee (traffic sign) fue publicado por IDSIA, en el país registrado como Switzerland, durante October 2011. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 9.9 × 10¹⁴ FLOP, en hardware registrado como NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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 53,280 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance,SOTA improvement.
Respuestas
CNN committee (traffic sign) — preguntas comunes
CNN committee (traffic sign)— ¿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.
CNN committee (traffic sign)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9.9 × 10¹⁴ FLOP, en hardware registrado como NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.
CNN committee (traffic sign)— ¿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.
CNN committee (traffic sign)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
CNN committee (traffic sign)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.4M. Parameters L1: 3*3*3*100=2700 L3: 100*4*4*150=240000 L5: 150*3*3*250=337500 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2700+240000+337500+800000+8600=1388800. 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.
CNN committee (traffic sign)— ¿Quién lo creó?
Fue publicado por IDSIA, basado en Switzerland, una organización categorizada como academia.
CNN committee (traffic sign)— ¿cuándo fue lanzado?
Se publicó en October 2011. 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.
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.