Stacked hourglass network
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- University of Michigan
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 17 September 2016
- Auteurs
- Alejandro Newell, Kaiyu Yang, Jia Deng
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Pose estimation
- Numerieke indeling
- FP32
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 802,816,000 tokens
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Unknown
- Citaties
- 5,316
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Stacked Hourglass Networks for Human Pose Estimation
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Achtergrond
Stacked hourglass network werd gepubliceerd door University of Michigan, in het land geregistreerd als United States of America, tijdens September 2016. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van pose estimation.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
De trainingsset liep naar ongeveer 802,816,000 tekstokens
Antwoorden
Stacked hourglass network — veelgestelde vragen
Stacked hourglass network— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Stacked hourglass network— wie heeft het gemaakt?
Het werd gepubliceerd door University of Michigan, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Stacked hourglass network— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Stacked hourglass network— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van pose estimation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Stacked hourglass network— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Stacked hourglass network— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.