R-FCN
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
- Tsinghua University,Microsoft Research
- Szervezet típusa
- Academia,Industry
- Ország
- China, United States of America
- Közölt
- 21 June 2016
- Szerzők
- Jifeng Dai, Y. Li, Kaiming He, and Jian Sun
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Object detection
- Numerikus formátum
- FP32
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
- 10,624,000 tokens
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
- 7.2 × 10¹⁷ FLOP
- Hogyan jött létre
- Hardware
1,464 images in 2012 VOC (https://paperswithcode.com/dataset/pascal-voc)/ 9,963 images in 2007 VOC (https://www.tensorflow.org/datasets/catalog/voc) 83K training images in MS COCO (https://paperswithcode.com/dataset/coco) They used a Nvidia K40 GPU and report training time/image in seconds (table 3) Assumed a 0.33 util rate Section 4.2 (MS COCO): "Next we evaluate on the MS COCO dataset [ 13 ] that has 80 object categories. Our experiments involve the 80k train set, 40k val set, and 20k tes…
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
- Confident
- Hivatkozások
- 6,003
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- R-fcn: Object detection via region-based fully convolutional networks.
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
R-FCN ki lett adva által Tsinghua University,Microsoft Research, az országban rögzítve mint China, alatt June 2016. A kiadó szervezet a következő kategóriába tartozik academia,Industry.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása object detection.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A betanításhoz körülbelül egy számítási költségvetés kellett 7.2 × 10¹⁷ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 10,624,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: highly cited.
Válaszok
R-FCN — gyakori kérdések
R-FCN— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.2 × 10¹⁷ FLOP. 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.
R-FCN— 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.
R-FCN— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
R-FCN— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
R-FCN— Ki készítette ezt?
Kiadta Tsinghua University,Microsoft Research, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Industry.
R-FCN— Mikor adták ki?
Kibocsátották a June 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
R-FCN— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot object detection. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
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..