R-CNN (T-net)
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 (UC) Berkeley
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 11 November 2013
- Auteurs
- Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik
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
- Format numérique
- FP32
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
- 69M
- Données d'entraînement
- tokens
Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb
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
- Citations
- 28,903
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Rich feature hierarchies for accurate object detection and semantic segmentation
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
R-CNN (T-net) a été publié par University of California (UC) Berkeley, dans le pays enregistré comme United States of America, durant November 2013. Cela provient d'une organisation classée 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.
Comment il a été entraîné
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : highly cited.
Réponses
R-CNN (T-net) — questions courantes
R-CNN (T-net)— 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.
R-CNN (T-net)— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
R-CNN (T-net)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 69M. Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb. 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.
R-CNN (T-net)— qui l'a créé ?
Il a été publié par University of California (UC) Berkeley, basé sur United States of America, une organisation catégorisée comme academia.
R-CNN (T-net)— quand a-t-il été publié ?
Il a été publié dans November 2013. 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.
R-CNN (T-net)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de object detection. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
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.