Decision tree (classification)
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
- Mitsubishi Electric Research Labs,Compaq CRL
- Organisatietype
- Industry,Industry
- Land
- United States of America
- Gepubliceerd
- 8 December 2001
- Auteurs
- P. Viola, M. Jones
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Face recognition
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
- 12K
- Training gegevens
- 753,616 tokens
Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model.
Section 5: 4916 hand labeled faces + 9544 non-face images = 14460
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
- 6.3 × 10¹³ FLOP
- Hoe het werd opgericht
- Operation counting
The training compute can be tediously worked out from the pseudocode. I think for dataset size D, number of filters T, the training compute is roughly 180k * D * 3 * T = 6.3e13 FLOPs The training evaluates each of 180k candidate features at each step, repeated for 6000 steps (as 1 feature is selected per round). The operations for one feature evaluation are unclear, but should be low (they only compare specific integer positions in the image). Estimated at 10op. 180000*6000*10*14460=1.56168e+…
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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- Highly cited
- Record vertrouwen
- Likely
- Citaties
- 23,449
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Rapid object detection using a boosted cascade of simple features
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Wat dit model is
Decision tree (classification) werd gepubliceerd door Mitsubishi Electric Research Labs,Compaq CRL, in het land geregistreerd als United States of America, tijdens December 2001. Het komt uit een organisatie gecategoriseerd als industry,Industry.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van face recognition.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 6.3 × 10¹³ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 753,616 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited.
Antwoorden
Decision tree (classification) — veelgestelde vragen
Decision tree (classification)— wie heeft het gemaakt?
Het werd gepubliceerd door Mitsubishi Electric Research Labs,Compaq CRL, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry.
Decision tree (classification)— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2001. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Decision tree (classification)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van face recognition. 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.
Decision tree (classification)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6.3 × 10¹³ FLOP. 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.
Decision tree (classification)— 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.
Decision tree (classification)— 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.
Decision tree (classification)— hoeveel parameters heeft het?
Het heeft een parameter telling van 12K. Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model. 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.
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.