CNN committee (traffic sign)
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
- IDSIA
- Tipo di organizzazione
- Academia
- Paese
- Switzerland
- Pubblicato
- 3 October 2011
- Autori
- D. Ciresan, U. Meier, Jonathan Masci, J. Schmidhuber
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification
- Approccio
- Supervised
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
- 1.4M
- Dati di addestramento
- 53,280 tokens
- Epoche
- 50
Parameters L1: 3*3*3*100=2700 L3: 100*4*4*150=240000 L5: 150*3*3*250=337500 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2700+240000+337500+800000+8600=1388800
[images] “The training set consists of 26640 images“ “we resize all images to 48 × 48 pixels”
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
- 9.9 × 10¹⁴ FLOP
- Come è stato stabilito
- Operation counting
Training FLOP L1: 3*3*3*46*46*100=5713200 L3: 100*4*4*20*20*150=96000000 L5: 150*3*3*8*8*250=21600000 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2*(5713200+96000000+21600000+800000+8600)=248243600 Training Compute: 248243600*3*26640*50=991981425600000=9.9e14
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 580,NVIDIA GeForce GTX 480
- Chip utilizzati
- 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.
- Perché è monitorato
- Historical significance,SOTA improvement
- Record fiducia
- Likely
"We describe the approach that won the preliminary phase of the German traffic sign recognition benchmark with a better-than-human recognition rate of 98.98%.We obtain an even better recognition rate of 99.15% by further training the nets. "
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- A committee of neural networks for traffic sign classification
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
CNN committee (traffic sign) è stato pubblicato da IDSIA, nel paese registrato come Switzerland, durante October 2011. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 9.9 × 10¹⁴ FLOP, su hardware registrato come NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 53,280 token di testo
Il motivo per cui appare in questo catalogo è: historical significance,SOTA improvement.
Risposte
CNN committee (traffic sign) — domande comuni
CNN committee (traffic sign)— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
CNN committee (traffic sign)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 9.9 × 10¹⁴ FLOP, su hardware registrato come NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.
CNN committee (traffic sign)— 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.
CNN committee (traffic sign)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
CNN committee (traffic sign)— quanti parametri ha?
Ha un numero di parametri di 1.4M. Parameters L1: 3*3*3*100=2700 L3: 100*4*4*150=240000 L5: 150*3*3*250=337500 L7: 250*4*4*200=800000 L8: 200*43=8600 Total: 2700+240000+337500+800000+8600=1388800. 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.
CNN committee (traffic sign)— chi l'ha creato?
È stato pubblicato da IDSIA, basato su Switzerland, un'organizzazione categorizzata come academia.
CNN committee (traffic sign)— quando è stato rilasciato?
È stato pubblicato in October 2011. 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.
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.