iCCCP
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
- Massachusetts Institute of Technology (MIT)
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 13 June 2010
- Auteurs
- Long Zhu; Yuanhao Chen; Alan Yuille; William Freeman
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
- 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.
- Données d'entraînement
- 10,000 tokens
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
- 1.1 × 10¹⁵ FLOP
- Comment cela a été établi
- Hardware
“All experiments are performed on a standard computer with a 3Ghz CPU” “It takes 25 hours (about 25 iCCCP iterations) to train an object class with two mixture templates.” Individual models for some of the classes. Assuming a Core 2 with 8 FLOP/cycle was used with a utilization of 0.5: 3000000000*8*25*60*60*0.5=1080000000000000
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.
- Chips utilisés
- 1
- Temps en temps réel
- 25 hours
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
- Historical significance,SOTA improvement
- Confiance d'enregistrement
- Confident
"We perform object detection using our learnt models and obtain performance comparable with state-of-the-art methods when evaluated on challenging public PASCAL datasets. "
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Latent hierarchical structural learning for object detection
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
iCCCP a été publié par Massachusetts Institute of Technology (MIT), dans le pays enregistré comme United States of America, durant June 2010. La catégorie à laquelle appartient l'éditeur est 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 consommé environ 1.1 × 10¹⁵ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 10,000 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : historical significance,SOTA improvement.
Réponses
iCCCP — questions courantes
iCCCP— qui l'a créé ?
Il a été publié par Massachusetts Institute of Technology (MIT), basé sur United States of America, une organisation catégorisée comme academia.
iCCCP— quand a-t-il été publié ?
Il a été publié dans June 2010. 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.
iCCCP— 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.
iCCCP— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.1 × 10¹⁵ FLOP. 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.
iCCCP— 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.
iCCCP— 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.
iCCCP— 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.
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.