R-CNN (T-net)
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 (UC) Berkeley
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 11 November 2013
- Autori
- Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik
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
- 69M
- Dati di addestramento
- tokens
Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb
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
- Citazioni
- 28,903
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Rich feature hierarchies for accurate object detection and semantic segmentation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
R-CNN (T-net) è stato pubblicato da University of California (UC) Berkeley, nel paese registrato come United States of America, durante November 2013. Esce da un'organizzazione categorizzata come academia.
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
È tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
R-CNN (T-net) — domande comuni
R-CNN (T-net)— 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-CNN (T-net)— 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-CNN (T-net)— quanti parametri ha?
Ha un numero di parametri di 69M. Computed from architecture description in Caffee https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb. 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.
R-CNN (T-net)— chi l'ha creato?
È stato pubblicato da University of California (UC) Berkeley, basato su United States of America, un'organizzazione categorizzata come academia.
R-CNN (T-net)— quando è stato rilasciato?
È stato pubblicato in November 2013. 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-CNN (T-net)— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di object detection. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
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.