Synergistic Face Detector
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
- NEC Laboratories,Courant Institute of Mathematical Sciences
- Type d'organisation
- Industry,Academia
- Pays
- United States of America
- Publié
- 1 December 2004
- Auteurs
- Margarita Osadchy, Matthew Miller, 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
- Tâche
- Face 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
- 16.6K
- Données d'entraînement
- tokens
- Époques
- 9
"We employ a network architecture similar to LeNet5 [6]. The difference is in the number of maps. In our architecture we have 8 feature maps in the bottom convolutional and subsampling layers and 20 maps in the next two layers. The last layer has 9 outputs to encode two pose parameters" Using the general architecture of LeNet5 from "Gradient-based learning applied to document recognition" (LeCun, 1998), we get: C1: CNN, D = 8, K=5, C=1; Parameters = 200 C3: CNN, D=20, K=5, C=8; Parameters = 4,00…
52,850x2x5
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
- 5.3 × 10¹³ FLOP
- Comment cela a été établi
- Hardware
26*60*60*[(2.81E+03)*((1E6)/2.5)]*0.5 "Training was performed using LUSH [1], and the total training time was about 26 hours on a 2Ghz Pentium 4" "The Progress of Computing" (Nordhaus, 2001) says that a Pentium 4 runs at 2.81E+03 MSOPS, and that "Most benchmarks find that 1 million flops correspond to between 2 and 3 MSOPS" A utilization rate of 0.5 was estimated since this is a smaller model that ran on a CPU (both of which suggest a slightly higher utilization rate than 0.3 to 0.4)
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
- Intel Pentium 4 2.40
- Temps en temps réel
- 26 hours
"Training was performed using LUSH [1], and the total training time was about 26 hours on a 2Ghz Pentium 4"
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
- Synergistic Face Detection and Pose Estimation with Energy-Based Models
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
Synergistic Face Detector a été publié par NEC Laboratories,Courant Institute of Mathematical Sciences, dans le pays enregistré comme United States of America, durant December 2004. La catégorie à laquelle appartient l'éditeur est industry,Academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de face detection.
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.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 5.3 × 10¹³ FLOP, sur matériel enregistré comme Intel Pentium 4 2.40. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Synergistic Face Detector — questions courantes
Synergistic Face Detector— 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.
Synergistic Face Detector— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 16.6K. "We employ a network architecture similar to LeNet5 [6]. The difference is in the number of maps. In our architecture we have 8 feature maps in the bottom convolutional and subsampling layers and 20 maps in the next two layers. The last layer has 9 outputs to encode two pose parameters" Using the general architecture of LeNet5 from "Gradient-based learning applied to document recognition" (LeCun, 1998), we get: C1: CNN, D = 8, K=5, C=1; Parameters = 200 C3: CNN, D=20, K=5, C=8; Parameters = 4,000 C5: NN, D=20, K=5, C=20; Parameters = 10,000 F6: NN, N=20, M=84; Parameters = 1,680 Output: NN, N=84, M=9; Parameters = 756 Pooling layers: negligible Parameters = 16,636. 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.
Synergistic Face Detector— qui l'a créé ?
Il a été publié par NEC Laboratories,Courant Institute of Mathematical Sciences, basé sur United States of America, une organisation catégorisée comme industry,Academia.
Synergistic Face Detector— quand a-t-il été publié ?
Il a été publié dans December 2004. 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.
Synergistic Face Detector— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de face 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.
Synergistic Face Detector— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5.3 × 10¹³ FLOP, sur matériel enregistré comme Intel Pentium 4 2.40. 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.
Synergistic Face Detector— 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.