YOLOv3
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 Washington
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 8 April 2018
- Auteurs
- Joseph Redmon, Ali Farhadi
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- 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.
- paramètres
- 56.9M
- Données d'entraînement
- 5,430,000 tokens
Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 2…
Source: https://image-net.org/download.php
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
- 1.3 × 10¹⁹ FLOP
- Comment cela a été établi
- Operation counting
We use the formula training_compute = ops_per_forward_pass * 3.5 * n_epochs * n_examples Assuming 160 epochs of training as in https://arxiv.org/pdf/1612.08242.pdf Table 2: 18700000000 operations 18700000000 ops * 3.5 *160 epochs * 1281167 images
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 M40,NVIDIA GeForce GTX TITAN X
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
code and weights, unclear license: https://pjreddie.com/darknet/yolo/
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.
- Pourquoi c'est suivi
- Highly cited
- Confiance d'enregistrement
- Likely
- Citations
- 25,147
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- YOLOv3: An Incremental Improvement
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
YOLOv3 a été publié par University of Washington, dans le pays enregistré comme United States of America, durant April 2018. L'organisation de publication est catégorisée comme academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de 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 1.3 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA M40,NVIDIA GeForce GTX TITAN X. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 5,430,000 jetons de texte
Son critère d'inclusion : highly cited.
Réponses
YOLOv3 — questions courantes
YOLOv3— 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.
YOLOv3— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 56.9M. Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 237M/4=59M parameters, consistent with the calculation above. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
YOLOv3— qui l'a créé ?
Il a été publié par University of Washington, basé sur United States of America, une organisation catégorisée comme academia.
YOLOv3— quand a-t-il été publié ?
Il a été publié dans April 2018. 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.
YOLOv3— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de 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.
YOLOv3— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.3 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA M40,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.
YOLOv3— 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.
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.