SAF R-CNN
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
- Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore
- Typ organizacji
- Academia,Academia,Industry,Academia
- Kraj
- China, Singapore
- Opublikowany
- 28 October 2015
- Autorzy
- Jianan Li, Xiaodan Liang, ShengMei Shen, Tingfa Xu, Jiashi Feng, Shuicheng Yan
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Object detection
- Podejście
- Supervised
- Model bazowy
- VGG16
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 138M
- Dane treningowe
- 350,000 tokens
- Epoki
- 7
Taken from VGG16 base model, ignoring minor architectural changes
"There are totally 350,000 bounding boxes of about 2,300 unique pedestrians labeled in 250,000 frames" "We use dense sampling of the training data (every 4th frame"
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
- 1.2 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting
- Dostosowywanie obliczeń
- 2 × 10¹⁶ FLOP
Base model: 12291000000000002000 Base model inference FLOP: 15300000000 Finetune for 7 epochs with 62500 training examples 15300000000*3*62500*7=20081250000000000=2e16 Total compute: 12291000000000002000+20081250000000000=12311081250000002000
15300000000*3*62500*7=20081250000000000=2e16
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 GTX TITAN X
- Zastosowane chipy
- 1
- Pobór mocy
- 291 W
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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model Frontier
- Yes
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Likely
Pedestrian Detection on Caltech benchmark "our method achieves state-of-the-art performance on Caltech, INRIA, and ETH, and obtains competitive results on KITTI. "
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Scale-aware Fast R-CNN for Pedestrian Detection
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Co to jest model?
SAF R-CNN został opublikowany przez Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, w kraju zapisanym jako China, podczas October 2015. Organizacja publikująca jest klasyfikowana jako academia,Academia,Industry,Academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie object detection.
Jego punktem wyjścia był istniejący model podstawowy, VGG16. Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 1.2 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX TITAN X. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 350,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
SAF R-CNN — częste pytania
SAF R-CNN— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
SAF R-CNN— ile ma parametrów?
Ma liczbę parametrów równą 138M. Taken from VGG16 base model, ignoring minor architectural changes. 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.
SAF R-CNN— kto to stworzył?
Zostało opublikowane przez Beijing Institute of Technology,Sun Yat-sen University,Panasonic R&D,National University of Singapore, oparty na China, organizacja sklasyfikowana jako academia,Academia,Industry,Academia.
SAF R-CNN— kiedy to zostało wydane?
Zostało opublikowane w October 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
SAF R-CNN— 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.
SAF R-CNN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.2 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako 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.
SAF R-CNN— 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.