improved U-Net for chest X-ray images segmentation
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Henan University of Technology,Nanyang Central Hospital
- Typ organizacji
- Academia,Government
- Kraj
- China
- Opublikowany
- 23 May 2022
- Autorzy
- Wufeng Liu, Jiaxin Luo, Yan Yang, Wenlian Wang, Junkui Deng & Liang Yu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Medicine, Vision
- Zadanie
- Visual question answering, Medical diagnosis
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 182,517,760 tokens
- Epoki
- 70
"The batch size is set to 64. Max epochs are set to 70." "image size was adjusted to 256 * 256"
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce RTX 3060,Intel Core i5-11600K
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Automatic lung segmentation in chest X-ray images using improved U-Net
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
improved U-Net for chest X-ray images segmentation został opublikowany przez Henan University of Technology,Nanyang Central Hospital, w kraju zapisanym jako China, podczas May 2022. Wychodzi z organizacji zaklasyfikowanej jako academia,Government.
Działa w dziedzinie Medicine, Vision, i jest zapisany jako wykonujący zadanie visual question answering, Medical diagnosis.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Trening zużył korpus około 182,517,760 Tokeny tekstu.
Odpowiedzi
improved U-Net for chest X-ray images segmentation — częste pytania
improved U-Net for chest X-ray images segmentation— do czego to służy?
Działa w dziedzinie Medicine, Vision, i jest zarejestrowany jako realizujący zadanie visual question answering, Medical diagnosis. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
improved U-Net for chest X-ray images segmentation— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
improved U-Net for chest X-ray images segmentation— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
improved U-Net for chest X-ray images segmentation— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
improved U-Net for chest X-ray images segmentation— kto to stworzył?
Zostało opublikowane przez Henan University of Technology,Nanyang Central Hospital, oparty na China, organizacja sklasyfikowana jako academia,Government.
improved U-Net for chest X-ray images segmentation— kiedy to zostało wydane?
Zostało opublikowane w May 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.