Vision-based obstacle avoidance system (2005)
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
- New York University (NYU),Net-Scale technologies,NEC Laboratories
- Tipo de Organización
- Academia,Industry,Industry
- País
- United States of America
- Publicado
- 5 December 2005
- Autores
- Urs Muller, Jan Ben, Eric Cosatto, Beat Flepp, Yann LeCun
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Robotics, Vision
- Tarea
- Self-driving car, Object 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
- 72K
- Datos de entrenamiento
- tokens
- Épocas
- 18
"The network has 3.15 Million connections and about 72,000 trainable parameters."
"With 95,000 training image pairs, training took 18 epochs through the training set."
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
- Intel Pentium 4 HT 630
- Chips utilizados
- 1
- Tiempo de reloj
- 96 hours
- Consumo de energía
- 103 W
"A complete training session required about four days of CPU time on a 3.0GHz Pentium/Xeon-based server"
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.
- Confianza de registro
- Confident
- Citas
- 742
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Off-Road Obstacle Avoidance through End-to-End Learning
- Última actualización
- 11 February 2026
Qué significan los números
Acerca de este modelo
Vision-based obstacle avoidance system (2005) fue publicado por New York University (NYU),Net-Scale technologies,NEC Laboratories, en el país registrado como United States of America, durante December 2005. La organización editora está clasificada como academia,Industry,Industry.
Funciona en el dominio de Robotics, Vision, y se registra como realizando la tarea de self-driving car, Object detection.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
Vision-based obstacle avoidance system (2005) — preguntas comunes
Vision-based obstacle avoidance system (2005)— ¿Para qué se utiliza?
Funciona en el dominio de Robotics, Vision, y se registra como manejando la tarea de self-driving car, Object detection. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Vision-based obstacle avoidance system (2005)— ¿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.
Vision-based obstacle avoidance system (2005)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Vision-based obstacle avoidance system (2005)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 72K. "The network has 3.15 Million connections and about 72,000 trainable parameters.". 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.
Vision-based obstacle avoidance system (2005)— ¿Quién lo creó?
Fue publicado por New York University (NYU),Net-Scale technologies,NEC Laboratories, basado en United States of America, una organización categorizada como academia,Industry,Industry.
Vision-based obstacle avoidance system (2005)— ¿cuándo fue lanzado?
Se publicó en December 2005. 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.