YOLOv3
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
- University of Washington
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 8 April 2018
- Autorzy
- Joseph Redmon, Ali Farhadi
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Object detection
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 56.9M
- Dane treningowe
- 5,430,000 tokens
Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 2…
Source: https://image-net.org/download.php
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 1.3 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting
We use the formula training_compute = ops_per_forward_pass * 3.5 * n_epochs * n_examples Assuming 160 epochs of training as in https://arxiv.org/pdf/1612.08242.pdf Table 2: 18700000000 operations 18700000000 ops * 3.5 *160 epochs * 1281167 images
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA M40,NVIDIA GeForce GTX TITAN X
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Unreleased
code and weights, unclear license: https://pjreddie.com/darknet/yolo/
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited
- Zapisz pewność
- Likely
- Cytaty
- 25,147
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- YOLOv3: An Incremental Improvement
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Co to jest model?
YOLOv3 został opublikowany przez University of Washington, w kraju zapisanym jako United States of America, podczas April 2018. Organizacja publikująca jest klasyfikowana jako academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie object detection.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 1.3 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA M40,NVIDIA GeForce GTX TITAN X. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 5,430,000 Tokeny tekstu.
Kryterium włączenia: highly cited.
Odpowiedzi
YOLOv3 — częste pytania
YOLOv3— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
YOLOv3— ile ma parametrów?
Ma liczbę parametrów równą 56.9M. Feature extractor (ignoring biases) 32*3*3*3 + 64*3*3*32 + 32*1*1*64 + 64*3*3*32 + 128*3*3*64 + 2*(64*1*1*128 + 128*3*3*64) + 256*3*3*128 + 8*(128*1*1*256 + 256*3*3*128) + 512*3*3*256 + 8*(256*1*1*512 + 512*3*3*256) + 1024*3*3*512 + 4*(512*1*1*1024 + 1024*3*3*512) + 4*4*1024*1000 source: table 1 This is assuming the average pooling step changes the output size from 8x8 to 4x4. The weights file is 237MB. If the weights are saved as float32, 4 bytes per weight, then there are approximately 237M/4=59M parameters, consistent with the calculation above. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
YOLOv3— kto to stworzył?
Zostało opublikowane przez University of Washington, oparty na United States of America, organizacja sklasyfikowana jako academia.
YOLOv3— kiedy to zostało wydane?
Zostało opublikowane w April 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
YOLOv3— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie object detection. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
YOLOv3— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.3 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA M40,NVIDIA GeForce GTX TITAN X. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
YOLOv3— 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.
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.