R-FCN
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
- Tsinghua University,Microsoft Research
- Typ organizacji
- Academia,Industry
- Kraj
- China, United States of America
- Opublikowany
- 21 June 2016
- Autorzy
- Jifeng Dai, Y. Li, Kaiming He, and Jian Sun
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Object detection
- Format numeryczny
- FP32
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
- 10,624,000 tokens
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
- 7.2 × 10¹⁷ FLOP
- Jak to zostało ustalone
- 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…
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
- Confident
- Cytaty
- 6,003
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- R-fcn: Object detection via region-based fully convolutional networks.
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
R-FCN został opublikowany przez Tsinghua University,Microsoft Research, w kraju zapisanym jako China, podczas June 2016. Organizacja publikująca jest klasyfikowana jako academia,Industry.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie object detection.
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
Trenowanie zajęło budżet obliczeniowy wynoszący około 7.2 × 10¹⁷ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 10,624,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: highly cited.
Odpowiedzi
R-FCN — częste pytania
R-FCN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.2 × 10¹⁷ FLOP. 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.
R-FCN— 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.
R-FCN— 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.
R-FCN— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
R-FCN— kto to stworzył?
Zostało opublikowane przez Tsinghua University,Microsoft Research, oparty na China, organizacja sklasyfikowana jako academia,Industry.
R-FCN— kiedy to zostało wydane?
Zostało opublikowane w June 2016. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
R-FCN— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie object detection. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
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.