ACF-WIDER
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
- Chinese Academy of Sciences
- Typ organizacji
- Academia
- Kraj
- China
- Opublikowany
- 15 July 2014
- Autorzy
- Binh Yang, Junjie Yan, Zhen Lei, S. Li
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Face detection
- Podejście
- Supervised
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 6.1K
- Dane treningowe
- 144,448 tokens
The paper trains a decision tree ensemble. “we choose 2048 as the number of weak classifiers contained in the soft cascade. As each weak classifier is a depth-2 decision tree, it takes only two comparing operations to apply a weak classifier, which is quite fast.” Parameters: 2048*(2^2-1)=6144
“there are in total 36, 112 positive samples and 108, 336 negative samples selected from AFLW”
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
- 7.6 × 10¹³ FLOP
- Jak to zostało ustalone
- Hardware
Training compute: 10.2 minutes * 4 * 3.9* 10^9 cycles per second * 16 FLOP per cycle * 0.5 = 7.638*10^13 FLOPs “on a PC with Intel Core i7-3770 CPU and 16GB RAM” Ivy Bridge, 4 cores, 3.9GHz, 16 FP32 FLOP/cycle (https://en.wikipedia.org/wiki/Floating_point_operations_per_second ) “and 10.2 mins for multi-scale version.”
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Zastosowane chipy
- 1
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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
https://paperswithcode.com/sota/face-detection-on-wider-face-medium "the multi-view face detector using aggregate channel features shows competitive performance against state-of-the-art algorithms on AFW and FDDB test-sets, while runs at 42 FPS on VGA images."
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Aggregate channel features for multi-view face detection
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
ACF-WIDER został opublikowany przez Chinese Academy of Sciences, w kraju zapisanym jako China, podczas July 2014. Kategoria, do której należy wydawca, to academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie face 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
Wytworzenie tego wymagało arytmetyki sumującej około 7.6 × 10¹³ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 144,448 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.
Odpowiedzi
ACF-WIDER — częste pytania
ACF-WIDER— kto to stworzył?
Zostało opublikowane przez Chinese Academy of Sciences, oparty na China, organizacja sklasyfikowana jako academia.
ACF-WIDER— kiedy to zostało wydane?
Zostało opublikowane w July 2014. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
ACF-WIDER— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie face detection. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
ACF-WIDER— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.6 × 10¹³ 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.
ACF-WIDER— 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.
ACF-WIDER— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
ACF-WIDER— ile ma parametrów?
Ma liczbę parametrów równą 6.1K. The paper trains a decision tree ensemble. “we choose 2048 as the number of weak classifiers contained in the soft cascade. As each weak classifier is a depth-2 decision tree, it takes only two comparing operations to apply a weak classifier, which is quite fast.” Parameters: 2048*(2^2-1)=6144. 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.
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.