VGG-Face
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 Oxford
- Type d'organisation
- Academia
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 1 January 2015
- Auteurs
- Omkar M. Parkhi, A. Vedaldi, Andrew Zisserman
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Face recognition
- Approche
- Supervised
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
- 138M
- Données d'entraînement
- 2,600,000 tokens
Their largest model uses the VGG16 architecture
Table 2 in https://www.bmva-archive.org.uk/bmvc/2015/papers/paper041/abstract041.pdf
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 Black
- Chips utilisés
- 4
- Consommation d'énergie
- 2.1 kW
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
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
- SOTA improvement,Highly cited
- Confiance d'enregistrement
- Confident
https://paperswithcode.com/sota/face-verification-on-youtube-faces-db "achieve comparable state of the art results on the standard LFW and YTF face benchmarks."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Deep Face Recognition
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
VGG-Face a été publié par University of Oxford, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant January 2015. L'organisation de publication est catégorisée comme academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de face recognition.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
L'entraînement a consommé un corpus d'environ 2,600,000 jetons de texte
Son critère d'inclusion : sOTA improvement,Highly cited.
Réponses
VGG-Face — questions courantes
VGG-Face— quand a-t-il été publié ?
Il a été publié dans January 2015. 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.
VGG-Face— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de face recognition. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
VGG-Face— 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.
VGG-Face— 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.
VGG-Face— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 138M. Their largest model uses the VGG16 architecture. 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.
VGG-Face— qui l'a créé ?
Il a été publié par University of Oxford, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia.
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.