SAF R-CNN
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
- Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore
- Szervezet típusa
- Academia,Academia,Industry,Academia
- Ország
- China, Singapore
- Közölt
- 28 October 2015
- Szerzők
- Jianan Li, Xiaodan Liang, ShengMei Shen, Tingfa Xu, Jiashi Feng, Shuicheng Yan
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Object 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
- 350,000 tokens
- Epochok
- 7
Taken from VGG16 base model, ignoring minor architectural changes
"There are totally 350,000 bounding boxes of about 2,300 unique pedestrians labeled in 250,000 frames" "We use dense sampling of the training data (every 4th frame"
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
- 1.2 × 10¹⁹ FLOP
- Hogyan jött létre
- Operation counting
- Finomhangolás számítás
- 2 × 10¹⁶ FLOP
Base model: 12291000000000002000 Base model inference FLOP: 15300000000 Finetune for 7 epochs with 62500 training examples 15300000000*3*62500*7=20081250000000000=2e16 Total compute: 12291000000000002000+20081250000000000=12311081250000002000
15300000000*3*62500*7=20081250000000000=2e16
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
- 1
- Teljesítményfogyasztás
- 291 W
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.
- Határmodell
- Yes
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Likely
Pedestrian Detection on Caltech benchmark "our method achieves state-of-the-art performance on Caltech, INRIA, and ETH, and obtains competitive results on KITTI. "
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Scale-aware Fast R-CNN for Pedestrian Detection
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
SAF R-CNN ki lett adva által Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, az országban rögzítve mint China, alatt October 2015. A kiadó szervezet a következő kategóriába tartozik academia,Academia,Industry,Academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása object detection.
A kiindulópontja egy meglévő alapmodell volt, VGG16. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Mi került a felépítésébe
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 1.2 × 10¹⁹ 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.
A tanító készlet kb. futott 350,000 szöveg tokenjei
A kiválasztási kritériuma: sOTA improvement.
Válaszok
SAF R-CNN — gyakori kérdések
SAF R-CNN— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
SAF R-CNN— Hány paramétere van?
Paraméterszáma 138M. Taken from VGG16 base model, ignoring minor architectural changes. 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.
SAF R-CNN— Ki készítette ezt?
Kiadta Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Industry,Academia.
SAF R-CNN— Mikor adták ki?
Kibocsátották a October 2015. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
SAF R-CNN— 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.
SAF R-CNN— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.2 × 10¹⁹ 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.
SAF R-CNN— 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..