Mono3D++
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- University of California Los Angeles (UCLA),Megvii Inc
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America, China
- Pubblicato
- 11 January 2019
- Autori
- Tong He, Stefano Soatto
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- 3D modeling, Vision
- Compito
- 3D segmentation, Object detection
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- tokens
"We evaluate our method on the KITTI object detection benchmark. This dataset contains 7, 481 training images "
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 4.9 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
(4) * (6.691 * 10**12) * (168* 3600) * (0.3) = (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = training time - about one week = 168 hours from "It takes about one week to train the 2D bounding box net-work, and two hours for the orientation/3D scale network on KITTI with 4 TITAN-X GPUs. The landmark detector is trained on Pascal3D. The training process for the monocu- lar depth estimation network is unsupervised using KITTI stereo-pairs, which takes around 5 to 12 …
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA GeForce GTX TITAN X
- Chip utilizzati
- 4
- Chip-ore
- 672
- Tempo di parete
- 168 hours (7 days)
- Consumo energetico
- 2.1 kW
"about one week" from section 3.4
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 135
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Mono3D++: Monocular 3D Vehicle Detection with Two-Scale 3D Hypotheses and Task Priors
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
Mono3D++ è stato pubblicato da University of California Los Angeles (UCLA),Megvii Inc, nel paese registrato come United States of America, durante January 2019. La categoria sotto cui rientra l'editore è academia,Industry.
Funziona nel dominio di 3D modeling, Vision, ed è registrato come eseguire il compito di 3D segmentation, Object detection.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 4.9 × 10¹⁸ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Mono3D++ — domande comuni
Mono3D++— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.9 × 10¹⁸ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Mono3D++— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Mono3D++— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Mono3D++— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Mono3D++— chi l'ha creato?
È stato pubblicato da University of California Los Angeles (UCLA),Megvii Inc, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
Mono3D++— quando è stato rilasciato?
È stato pubblicato in January 2019. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
Mono3D++— A cosa serve?
Funziona nel dominio di 3D modeling, Vision, e viene registrato come gestire il compito di 3D segmentation, Object detection. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.