R-FCN
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Tsinghua University,Microsoft Research
- Organisatie type
- Academia,Industry
- Land
- China, United States of America
- Gepubliceerd
- 21 June 2016
- Auteurs
- Jifeng Dai, Y. Li, Kaiming He, and Jian Sun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Vision
- Taak
- Object detection
- Numerical format
- FP32
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- 10,624,000 tokens
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 7.2 × 10¹⁷ FLOP
- Hoe het werd opgericht
- 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…
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- Highly cited
- Vereiste vertrouwen
- Confident
- Citations
- 6,003
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- R-fcn: Object detection via region-based fully convolutional networks.
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Where it came from
R-FCN was published by Tsinghua University,Microsoft Research, in China, in June 2016. The organisation is categorised as academia,Industry.
It works in Vision, and is recorded as doing object detection.
Omdat de gewichten niet beschikbaar zijn, zijn geen van de hardwarecijfers elders op deze site op dit van toepassing.
Wat erin is gestopt om het te bouwen
Training it took roughly 7.2 × 10¹⁷ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 10,624,000 tokens of text.
The reason it appears in this catalogue at all is highly cited.
Antwoorden
R-FCN — Veelgestelde vragen
How much compute was used to train R-FCN?
Around 7.2 × 10¹⁷ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run R-FCN?
None. R-FCN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is R-FCN open source?
De licentie voor R-FCN is nooit vastgelegd in onze brondgegevens. We beschouwen niet-vermelde licenties als gesloten, omdat een niet-opgetekende licentie er geen is om op te vertrouwen.
How many parameters does R-FCN have?
No parameter count has been published for R-FCN, which is why no memory or speed figure appears on this page.
Who created R-FCN?
R-FCN was published by Tsinghua University,Microsoft Research, based in China, categorised as academia,Industry.
When was R-FCN released?
R-FCN was published in June 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is R-FCN used for?
R-FCN works in Vision, and is recorded as handling object detection. These are the areas it was designed around; they describe intent rather than a hard boundary.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.