YOLOv3
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 Washington
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 8 April 2018
- Szerzők
- Joseph Redmon, Ali Farhadi
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- 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.
- Paraméterek
- 56.9M
- Képzési adatok
- 5,430,000 tokens
Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 2…
Source: https://image-net.org/download.php
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
- 1.3 × 10¹⁹ FLOP
- Hogyan jött létre
- Operation counting
We use the formula training_compute = ops_per_forward_pass * 3.5 * n_epochs * n_examples Assuming 160 epochs of training as in https://arxiv.org/pdf/1612.08242.pdf Table 2: 18700000000 operations 18700000000 ops * 3.5 *160 epochs * 1281167 images
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA M40,NVIDIA GeForce GTX TITAN X
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
code and weights, unclear license: https://pjreddie.com/darknet/yolo/
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 25,147
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- YOLOv3: An Incremental Improvement
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Mit jelent ez a modell
YOLOv3 ki lett adva által University of Washington, az országban rögzítve mint United States of America, alatt April 2018. A kiadó szervezet a következő kategóriába tartozik academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása 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 1.3 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA M40,NVIDIA GeForce GTX TITAN X. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 5,430,000 szöveg tokenjei
A kiválasztási kritériuma: highly cited.
Válaszok
YOLOv3 — gyakori kérdések
YOLOv3— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
YOLOv3— Hány paramétere van?
Paraméterszáma 56.9M. Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 237M/4=59M parameters, consistent with the calculation above. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
YOLOv3— Ki készítette ezt?
Kiadta University of Washington, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
YOLOv3— Mikor adták ki?
Kibocsátották a April 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
YOLOv3— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot 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.
YOLOv3— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.3 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA M40,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.
YOLOv3— 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.
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..