CMS-RCNN
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
- IEEE
- Szervezet típusa
- Industry
- Ország
- Multinational
- Közölt
- 17 June 2016
- Szerzők
- Chenchen Zhu, Yutong Zheng, Khoa Luu, M. Savvides
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Face detection
- Megközelítés
- Supervised
- Alapmodell
- VGG16
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
- 138M
- Képzési adatok
- tokens
Based on VGG16 architecture, actual parameter count is slightly larger since the model contains some small added layers which are not described in detail.
159,424 annotated faces collected in 12,880 images
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
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Likely
https://paperswithcode.com/sota/face-detection-on-wider-face-medium "The experimental results show that our proposed approach trained on WIDER FACE Dataset outperforms strong baselines on WIDER FACE Dataset by a large margin, and consistently achieves competitive results on FDDB against the recent state-of-the-art face detection methods."
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- CMS-RCNN: Contextual Multi-Scale Region-based CNN for Unconstrained Face Detection
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
CMS-RCNN ki lett adva által IEEE, az országban rögzítve mint Multinational, alatt June 2016. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása face detection.
Ahelyett, hogy nulláról lenne betanítva, az származik VGG16. Ez a szokásos módja egy specializált modell előállításának.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Képzés és származás
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: sOTA improvement.
Válaszok
CMS-RCNN — gyakori kérdések
CMS-RCNN— Ki készítette ezt?
Kiadta IEEE, alapján Multinational, egy szervezet, amelyet kategorizáltak mint industry.
CMS-RCNN— 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.
CMS-RCNN— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot face detection. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
CMS-RCNN— 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.
CMS-RCNN— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
CMS-RCNN— Hány paramétere van?
Paraméterszáma 138M. Based on VGG16 architecture, actual parameter count is slightly larger since the model contains some small added layers which are not described in detail. 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.
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..