Synergistic Face Detector
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
- NEC Laboratories,Courant Institute of Mathematical Sciences
- Organisatietype
- Industry,Academia
- Land
- United States of America
- Gepubliceerd
- 1 December 2004
- Auteurs
- Margarita Osadchy, Matthew Miller, Yann LeCun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Face detection
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.
- parameters
- 16.6K
- Training gegevens
- tokens
- Epochs
- 9
"We employ a network architecture similar to LeNet5 [6]. The difference is in the number of maps. In our architecture we have 8 feature maps in the bottom convolutional and subsampling layers and 20 maps in the next two layers. The last layer has 9 outputs to encode two pose parameters" Using the general architecture of LeNet5 from "Gradient-based learning applied to document recognition" (LeCun, 1998), we get: C1: CNN, D = 8, K=5, C=1; Parameters = 200 C3: CNN, D=20, K=5, C=8; Parameters = 4,00…
52,850x2x5
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 5.3 × 10¹³ FLOP
- Hoe het werd opgericht
- Hardware
26*60*60*[(2.81E+03)*((1E6)/2.5)]*0.5 "Training was performed using LUSH [1], and the total training time was about 26 hours on a 2Ghz Pentium 4" "The Progress of Computing" (Nordhaus, 2001) says that a Pentium 4 runs at 2.81E+03 MSOPS, and that "Most benchmarks find that 1 million flops correspond to between 2 and 3 MSOPS" A utilization rate of 0.5 was estimated since this is a smaller model that ran on a CPU (both of which suggest a slightly higher utilization rate than 0.3 to 0.4)
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Intel Pentium 4 2.40
- Kloktijd
- 26 hours
"Training was performed using LUSH [1], and the total training time was about 26 hours on a 2Ghz Pentium 4"
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
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
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Synergistic Face Detection and Pose Estimation with Energy-Based Models
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Synergistic Face Detector werd gepubliceerd door NEC Laboratories,Courant Institute of Mathematical Sciences, in het land geregistreerd als United States of America, tijdens December 2004. De categorie waaronder de uitgever valt is industry,Academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van face detection.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 5.3 × 10¹³ FLOP, op hardware vastgelegd als Intel Pentium 4 2.40. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
Synergistic Face Detector — veelgestelde vragen
Synergistic Face Detector— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Synergistic Face Detector— hoeveel parameters heeft het?
Het heeft een parameter telling van 16.6K. "We employ a network architecture similar to LeNet5 [6]. The difference is in the number of maps. In our architecture we have 8 feature maps in the bottom convolutional and subsampling layers and 20 maps in the next two layers. The last layer has 9 outputs to encode two pose parameters" Using the general architecture of LeNet5 from "Gradient-based learning applied to document recognition" (LeCun, 1998), we get: C1: CNN, D = 8, K=5, C=1; Parameters = 200 C3: CNN, D=20, K=5, C=8; Parameters = 4,000 C5: NN, D=20, K=5, C=20; Parameters = 10,000 F6: NN, N=20, M=84; Parameters = 1,680 Output: NN, N=84, M=9; Parameters = 756 Pooling layers: negligible Parameters = 16,636. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Synergistic Face Detector— wie heeft het gemaakt?
Het werd gepubliceerd door NEC Laboratories,Courant Institute of Mathematical Sciences, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
Synergistic Face Detector— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2004. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Synergistic Face Detector— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van face detection. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
Synergistic Face Detector— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 5.3 × 10¹³ FLOP, op hardware vastgelegd als Intel Pentium 4 2.40. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
Synergistic Face Detector— 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.
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.