Mono3D++
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- University of California Los Angeles (UCLA),Megvii Inc
- Type d'organisation
- Academia,Industry
- Pays
- United States of America, China
- Publié
- 11 January 2019
- Auteurs
- Tong He, Stefano Soatto
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- 3D modeling, Vision
- Tâche
- 3D segmentation, Object detection
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Données d'entraînement
- tokens
"We evaluate our method on the KITTI object detection benchmark. This dataset contains 7, 481 training images "
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 4.9 × 10¹⁸ FLOP
- Comment cela a été établi
- Hardware
(4) * (6.691 * 10**12) * (168* 3600) * (0.3) = (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = training time - about one week = 168 hours from "It takes about one week to train the 2D bounding box net-work, and two hours for the orientation/3D scale network on KITTI with 4 TITAN-X GPUs. The landmark detector is trained on Pascal3D. The training process for the monocu- lar depth estimation network is unsupervised using KITTI stereo-pairs, which takes around 5 to 12 …
L'entraînement
Ce qu'il a physiquement fallu pour entraîner : quels puces, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Matériel d'entraînement
- NVIDIA GeForce GTX TITAN X
- Chips utilisés
- 4
- Heures de puce
- 672
- Wall-clock time
- 168 hours (7 days)
- Consommation d'énergie
- 2.1 kW
"about one week" from section 3.4
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui décide si l'une des chiffres de carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
- Citations
- 135
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Mono3D++: Monocular 3D Vehicle Detection with Two-Scale 3D Hypotheses and Task Priors
- Dernière mise à jour
- 25 May 2026
Ce que signifient les chiffres
Ce que ce modèle est
Mono3D++ was published by University of California Los Angeles (UCLA),Megvii Inc, in United States of America, in January 2019. academia,Industry is the category the publisher falls under.
It works in 3D modeling, Vision, and is recorded as doing 3D segmentation, Object detection.
Ses poids n'ont jamais été publiés, donc on ne peut y accéder que par son fournisseur. Aucun changement de carte graphique ne change cela.
Entraînement et provenance
Training it took roughly 4.9 × 10¹⁸ FLOP of computation, on NVIDIA GeForce GTX TITAN X — a measure of what producing the model cost, not of how fast it answers.
Réponses
Mono3D++ — Questions fréquentes
How much compute was used to train Mono3D++?
Around 4.9 × 10¹⁸ FLOP, on NVIDIA GeForce GTX TITAN X. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run Mono3D++?
None. Mono3D++ is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Mono3D++ open source?
No. Mono3D++ has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Mono3D++ have?
No parameter count has been published for Mono3D++, which is why no memory or speed figure appears on this page.
Who created Mono3D++?
Mono3D++ was published by University of California Los Angeles (UCLA),Megvii Inc, based in United States of America, categorised as academia,Industry.
When was Mono3D++ released?
Mono3D++ was published in January 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Mono3D++ used for?
Mono3D++ works in 3D modeling, Vision, and is recorded as handling 3D segmentation, Object detection. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.