Mono3D++
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare 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 contenir 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 décide s'il convient à 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 en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas 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'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA GeForce GTX TITAN X
- Chips utilisés
- 4
- Heures de puce
- 672
- Temps en temps réel
- 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 détermine si l'un des chiffres de la 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 ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
- Citations
- 135
Sources
D'où vient 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 les chiffres signifient
Ce que ce modèle est
Mono3D++ a été publié par University of California Los Angeles (UCLA),Megvii Inc, dans le pays enregistré comme United States of America, durant January 2019. La catégorie à laquelle appartient l'éditeur est academia,Industry.
Il fonctionne dans le domaine de 3D modeling, Vision, et est enregistré comme exécutant la tâche de 3D segmentation, Object detection.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 4.9 × 10¹⁸ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX TITAN X. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Mono3D++ — questions courantes
Mono3D++— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.9 × 10¹⁸ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX TITAN X. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Mono3D++— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Mono3D++— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Mono3D++— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Mono3D++— qui l'a créé ?
Il a été publié par University of California Los Angeles (UCLA),Megvii Inc, basé sur United States of America, une organisation catégorisée comme academia,Industry.
Mono3D++— quand a-t-il été publié ?
Il a été publié dans January 2019. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Mono3D++— à quoi ça sert ?
Il fonctionne dans le domaine de 3D modeling, Vision, et est enregistré comme gérant la tâche de 3D segmentation, Object detection. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.