DeepLab (2017)
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
- Johns Hopkins University,Google,University College London (UCL)
- Tipo di organizzazione
- Academia,Industry,Academia
- Paese
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 27 April 2017
- Autori
- Liang-Chieh Chen, George Papandreou, Iasonas Kokkinos, Kevin Murphy, Alan L. Yuille
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image segmentation
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
- 26,455,000 tokens
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
- Unknown
- Citazioni
- 20,019
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Sfondo
DeepLab (2017) è stato pubblicato da Johns Hopkins University,Google,University College London (UCL), nel paese registrato come United States of America, durante April 2017. Esce da un'organizzazione categorizzata come academia,Industry,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image segmentation.
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
L'addestramento ha consumato un corpus di circa 26,455,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
DeepLab (2017) — domande comuni
DeepLab (2017)— 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.
DeepLab (2017)— 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.
DeepLab (2017)— chi l'ha creato?
È stato pubblicato da Johns Hopkins University,Google,University College London (UCL), basato su United States of America, un'organizzazione categorizzata come academia,Industry,Academia.
DeepLab (2017)— quando è stato rilasciato?
È stato pubblicato in April 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.
DeepLab (2017)— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image segmentation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DeepLab (2017)— 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.
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.