R-FCN
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
- Tsinghua University,Microsoft Research
- Tipo di organizzazione
- Academia,Industry
- Paese
- China, United States of America
- Pubblicato
- 21 June 2016
- Autori
- Jifeng Dai, Y. Li, Kaiming He, and Jian Sun
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.
- Dati di addestramento
- 10,624,000 tokens
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
- 7.2 × 10¹⁷ FLOP
- Come è stato stabilito
- Hardware
1,464 images in 2012 VOC (https://paperswithcode.com/dataset/pascal-voc)/ 9,963 images in 2007 VOC (https://www.tensorflow.org/datasets/catalog/voc) 83K training images in MS COCO (https://paperswithcode.com/dataset/coco) They used a Nvidia K40 GPU and report training time/image in seconds (table 3) Assumed a 0.33 util rate Section 4.2 (MS COCO): "Next we evaluate on the MS COCO dataset [ 13 ] that has 80 object categories. Our experiments involve the 80k train set, 40k val set, and 20k tes…
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
- 6,003
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- R-fcn: Object detection via region-based fully convolutional networks.
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
R-FCN è stato pubblicato da Tsinghua University,Microsoft Research, nel paese registrato come China, durante June 2016. L'organizzazione di pubblicazione è classificata come academia,Industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object detection.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 7.2 × 10¹⁷ FLOP. 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 10,624,000 token di testo
Il motivo per cui appare in questo catalogo è: highly cited.
Risposte
R-FCN — domande comuni
R-FCN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.2 × 10¹⁷ FLOP. 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.
R-FCN— 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.
R-FCN— 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.
R-FCN— 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.
R-FCN— chi l'ha creato?
È stato pubblicato da Tsinghua University,Microsoft Research, basato su China, un'organizzazione categorizzata come academia,Industry.
R-FCN— quando è stato rilasciato?
È stato pubblicato in June 2016. 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.
R-FCN— 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.
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.