R-CNN (T-net)
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 (UC) Berkeley
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 11 November 2013
- Szerzők
- Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik
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.
- Paraméterek
- 69M
- Képzési adatok
- tokens
Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb
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
- Hivatkozások
- 28,903
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Rich feature hierarchies for accurate object detection and semantic segmentation
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Mit jelent ez a modell
R-CNN (T-net) ki lett adva által University of California (UC) Berkeley, az országban rögzítve mint United States of America, alatt November 2013. Egy olyan szervezetből származik, amelyet kategorizálnak mint 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.
Hogyan lett betanítva
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: highly cited.
Válaszok
R-CNN (T-net) — gyakori kérdések
R-CNN (T-net)— 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-CNN (T-net)— 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-CNN (T-net)— Hány paramétere van?
Paraméterszáma 69M. Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb. 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.
R-CNN (T-net)— Ki készítette ezt?
Kiadta University of California (UC) Berkeley, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
R-CNN (T-net)— Mikor adták ki?
Kibocsátották a November 2013. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
R-CNN (T-net)— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot object detection. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
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..