iCCCP
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
- Massachusetts Institute of Technology (MIT)
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 13 June 2010
- Autori
- Long Zhu; Yuanhao Chen; Alan Yuille; William Freeman
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Object detection
- 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.
- Dati di addestramento
- 10,000 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
- 1.1 × 10¹⁵ FLOP
- Come è stato stabilito
- Hardware
“All experiments are performed on a standard computer with a 3Ghz CPU” “It takes 25 hours (about 25 iCCCP iterations) to train an object class with two mixture templates.” Individual models for some of the classes. Assuming a Core 2 with 8 FLOP/cycle was used with a utilization of 0.5: 3000000000*8*25*60*60*0.5=1080000000000000
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Chip utilizzati
- 1
- Tempo di parete
- 25 hours
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
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
- Confident
"We perform object detection using our learnt models and obtain performance comparable with state-of-the-art methods when evaluated on challenging public PASCAL datasets. "
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Latent hierarchical structural learning for object detection
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
iCCCP è stato pubblicato da Massachusetts Institute of Technology (MIT), nel paese registrato come United States of America, durante June 2010. La categoria sotto cui rientra l'editore è 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.
Addestramento e provenienza
Il run di addestramento ha consumato circa 1.1 × 10¹⁵ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 10,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: historical significance,SOTA improvement.
Risposte
iCCCP — domande comuni
iCCCP— chi l'ha creato?
È stato pubblicato da Massachusetts Institute of Technology (MIT), basato su United States of America, un'organizzazione categorizzata come academia.
iCCCP— quando è stato rilasciato?
È stato pubblicato in June 2010. 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.
iCCCP— 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.
iCCCP— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 10¹⁵ 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.
iCCCP— 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.
iCCCP— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
iCCCP— 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.
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.