Long-Range Autonomous Off-Road Driving System
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
- Courant Institute of Mathematical Sciences
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 8 January 2009
- Auteurs
- Raia Hadsell, Pierre Sermanet, Jan Ben, Ayse Erkan, Marco Scoffier, Koray Kavukcuoglu, Urs Muller, Yann LeCun
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision, Robotics, Driving
- Tâche
- Self-driving car
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
- 12.4K
- Données d'entraînement
- 450,000 tokens
- Époques
- 30
C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs"
"The training set contained 450,000 labeled image patches"
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
- 2.8 × 10¹⁴ FLOP
- Comment cela a été établi
- Operation counting
Every filter is only connected to ⅓ of the input channels: “The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers.” The text of the paper and Figure 7 don’t match, the text mentions an additional D=369 convolutional layer that is not represented in the Figure Input: 12*25 1st CNN: 2*12*25*(3/3)*7*6*20=240000 Size after layer: 6*20*20 Size after pooling layer (1x4): 6*5*20 2nd CNN: 2*6*5*(20/3)*6*5*369=4428000 FC: 2*6*5*369*100=2214…
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.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Learning long‐range vision for autonomous off‐road driving
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Long-Range Autonomous Off-Road Driving System a été publié par Courant Institute of Mathematical Sciences, dans le pays enregistré comme United States of America, durant January 2009. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Vision, Robotics, Driving, et est enregistré comme exécutant la tâche de self-driving car.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a nécessité un budget de calcul d'environ 2.8 × 10¹⁴ 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 450,000 jetons de texte
Réponses
Long-Range Autonomous Off-Road Driving System — questions courantes
Long-Range Autonomous Off-Road Driving System— qui l'a créé ?
Il a été publié par Courant Institute of Mathematical Sciences, basé sur United States of America, une organisation catégorisée comme academia.
Long-Range Autonomous Off-Road Driving System— quand a-t-il été publié ?
Il a été publié dans January 2009. 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.
Long-Range Autonomous Off-Road Driving System— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, Robotics, Driving, et est enregistré comme gérant la tâche de self-driving car. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Long-Range Autonomous Off-Road Driving System— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.8 × 10¹⁴ 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.
Long-Range Autonomous Off-Road Driving System— 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.
Long-Range Autonomous Off-Road Driving System— 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.
Long-Range Autonomous Off-Road Driving System— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 12.4K. C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs". 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.
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.