Decision tree (classification)
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
- Mitsubishi Electric Research Labs,Compaq CRL
- Tipo de Organización
- Industry,Industry
- País
- United States of America
- Publicado
- 8 December 2001
- Autores
- P. Viola, M. Jones
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Face recognition
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
- 12K
- Datos de entrenamiento
- 753,616 tokens
Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model.
Section 5: 4916 hand labeled faces + 9544 non-face images = 14460
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
- 6.3 × 10¹³ FLOP
- Cómo se estableció
- Operation counting
The training compute can be tediously worked out from the pseudocode. I think for dataset size D, number of filters T, the training compute is roughly 180k * D * 3 * T = 6.3e13 FLOPs The training evaluates each of 180k candidate features at each step, repeated for 6000 steps (as 1 feature is selected per round). The operations for one feature evaluation are unclear, but should be low (they only compare specific integer positions in the image). Estimated at 10op. 180000*6000*10*14460=1.56168e+…
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
- Likely
- Citas
- 23,449
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Rapid object detection using a boosted cascade of simple features
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
Decision tree (classification) fue publicado por Mitsubishi Electric Research Labs,Compaq CRL, en el país registrado como United States of America, durante December 2001. Sale de una organización categorizada como industry,Industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face recognition.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 6.3 × 10¹³ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 753,616 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited.
Respuestas
Decision tree (classification) — preguntas comunes
Decision tree (classification)— ¿Quién lo creó?
Fue publicado por Mitsubishi Electric Research Labs,Compaq CRL, basado en United States of America, una organización categorizada como industry,Industry.
Decision tree (classification)— ¿cuándo fue lanzado?
Se publicó en December 2001. 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.
Decision tree (classification)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face recognition. 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.
Decision tree (classification)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.3 × 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.
Decision tree (classification)— ¿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.
Decision tree (classification)— ¿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.
Decision tree (classification)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 12K. Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model. 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.
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.