RetinaNet-R101
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
- Facebook AI Research
- Tipo di organizzazione
- Industry
- Paese
- United States of America, France
- Pubblicato
- 7 August 2017
- Autori
- TY Lin, P Goyal, R Girshick, K He, P Dollar
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Object detection
- Formato numerico
- FP32
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.
- parametri
- 53M
- Dati di addestramento
- 115,000 tokens
source: table 2 in https://arxiv.org/pdf/1911.09070.pdf
trainval135k split
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
- 2.1 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
"We use synchronized SGD over 8 GPUs with a total of 16 images per minibatch (2 images per GPU). Unless otherwise specified, all models are trained for 90k iterations with an initial learning rate of 0.01, which is then divided by 10 at 60k and again at 80k iterations. We use horizontal image flipping as the only form of data augmentation unless otherwise noted. Weight decay of 0.0001 and momentum of 0.9 are used. The training loss is the sum the focal loss and the standard smooth L1 loss used f…
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 M40
- Chip utilizzati
- 8
- Chip-ore
- 280
- Tempo di parete
- 35 hours
- Consumo energetico
- 4.2 kW
"We use synchronized SGD over 8 GPUs with a total of 16 images per minibatch (2 images per GPU). Unless otherwise specified, all models are trained for 90k iterations with an initial learning rate of 0.01, which is then divided by 10 at 60k and again at 80k iterations. We use horizontal image flipping as the only form of data augmentation unless otherwise noted. Weight decay of 0.0001 and momentum of 0.9 are used. The training loss is the sum the focal loss and the standard smooth L1 loss used f…
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
- Citazioni
- 16,437
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Focal loss for dense object detection
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
RetinaNet-R101 è stato pubblicato da Facebook AI Research, nel paese registrato come United States of America, durante August 2017. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object detection.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 2.1 × 10¹⁸ FLOP, su hardware registrato come NVIDIA M40. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 115,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
RetinaNet-R101 — domande comuni
RetinaNet-R101— quando è stato rilasciato?
È stato pubblicato in August 2017. 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.
RetinaNet-R101— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di object detection. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
RetinaNet-R101— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.1 × 10¹⁸ FLOP, su hardware registrato come NVIDIA M40. 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.
RetinaNet-R101— 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.
RetinaNet-R101— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
RetinaNet-R101— quanti parametri ha?
Ha un numero di parametri di 53M. source: table 2 in https://arxiv.org/pdf/1911.09070.pdf. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
RetinaNet-R101— chi l'ha creato?
È stato pubblicato da Facebook AI Research, basato su United States of America, un'organizzazione categorizzata come industry.
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.