Mono3D++
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- University of California Los Angeles (UCLA),Megvii Inc
- Szervezet típusa
- Academia,Industry
- Ország
- United States of America, China
- Közölt
- 11 January 2019
- Szerzők
- Tong He, Stefano Soatto
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- 3D modeling, Vision
- Feladat
- 3D segmentation, Object detection
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- tokens
"We evaluate our method on the KITTI object detection benchmark. This dataset contains 7, 481 training images "
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 4.9 × 10¹⁸ FLOP
- Hogyan jött létre
- Hardware
(4) * (6.691 * 10**12) * (168* 3600) * (0.3) = (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = training time - about one week = 168 hours from "It takes about one week to train the 2D bounding box net-work, and two hours for the orientation/3D scale network on KITTI with 4 TITAN-X GPUs. The landmark detector is trained on Pascal3D. The training process for the monocu- lar depth estimation network is unsupervised using KITTI stereo-pairs, which takes around 5 to 12 …
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce GTX TITAN X
- Használt chipek
- 4
- Chip-óra
- 672
- Fali óra idő
- 168 hours (7 days)
- Teljesítményfogyasztás
- 2.1 kW
"about one week" from section 3.4
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 135
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Mono3D++: Monocular 3D Vehicle Detection with Two-Scale 3D Hypotheses and Task Priors
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Mit jelent ez a modell
Mono3D++ ki lett adva által University of California Los Angeles (UCLA),Megvii Inc, az országban rögzítve mint United States of America, alatt January 2019. A kiadó kategóriája alá tartozik academia,Industry.
Működik a területen a 3D modeling, Vision, és úgy van rögzítve, mint a feladat végrehajtása 3D segmentation, Object detection.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 4.9 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce GTX TITAN X. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
Mono3D++ — gyakori kérdések
Mono3D++— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 4.9 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce GTX TITAN X. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
Mono3D++— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
Mono3D++— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Mono3D++— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Mono3D++— Ki készítette ezt?
Kiadta University of California Los Angeles (UCLA),Megvii Inc, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry.
Mono3D++— Mikor adták ki?
Kibocsátották a January 2019. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Mono3D++— Mire használják?
Működik a területen a 3D modeling, Vision, és rögzítve van, hogy kezeli a feladatot 3D segmentation, Object detection. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..