ソフトウェア
サビス
サポト
比較
詳細
UL南河三®人工智能推断基准
nnapiを用いてaiのパフォ,マンスおよび品質をベンチマ,ク
機械学習は,モバ。現在,多くのデバイスは,デバイス上での推論に必要な計算集約型の演算を高速化するための専用ハードウェアを搭載しています。安卓系统神经网络API (NNAPI)は機械学習フレームワークがデバイス内の専用AI処理ハードウェアにアクセスするためのベース層を提供します。
UL ProcyonAI推論ベンチマークは,NNAPIを使用するAndroidデバイスのAIパフォーマンスを測定するベンチマークです。ベンチマクスコアは,デバス上での推論演算の速度と精度の両方を反映しています。ProcyonAI推論ベンチマークでは,Androidデバイスに搭載されたAI処理専用ハードウェアのパフォーマンスを測定に加え,NNAPIの実装品質を検証することが可能です。
このベンチマークでは,デバイス上で動作する人気の高いさまざまな最先端のニューラルネットワークを使用して,一般的なマシンビジョンタスクを実行します。ベンチマクは,nnapiを介してデバスの専用ai処理ハドウェアで実行されます。また,このベンチマ,クでは,各テストをgpuやcpuで直接実行し,比較します。
今すぐ購入機能
- 最先端のニュ,ラルネットワ,クを用いた一般的なマシンビジョンタスクに基づくテスト。
- 推論パフォ,マンスと出力品質の両方を測定。
- nnapi, cpu, gpuの性能を比較。
- nnapiの実装と互換性を検証。
- ハドウェアアクセラレタ用のドラバを最適化。
- 浮動小数点演算と整数演算に最適化されたモデルパフォ,マンスの比較。
- デバesc escス上またはadb経由での簡単な設定と使用手順。
nnapiのパフォ,マンスと品質
UL ProcyonAI推論ベンチマークでは,AI処理専用ハードウェアのパフォーマンス測定や,一般的なマシンビジョンタスクに基づくテストによるNNAPI実装品質の検証を行うことが可能です。
プロフェッショナル向けのデザ@ @ン
UL ProcyonAI推論ベンチマークは,NNAPI実装と専用モバイルハードウェアの一般的なAIパフォーマンスを評価するための独立した標準化ツールを必要とするエンジニアリングチーム向けに作成されました。
高速で使いやすい
ベンチマクはンストルも実行も簡単で,複雑な設定は一切必要ありません。デバaapl . exeデバaapl . exeス上またはadb経由でベンチマ。ベンチマ,クスコア、チャート、ランキングをアプリで表示したり、詳細な結果ファイルをエクスポートしてさらに詳しく分析することができます。
業界の専門知識を活かした開発
UL南河三ベンチマークは,産業,企業,出版業向けに設計されており,プロフェッショナルユーザー向けに特別に作成されたテストと機能を備えています。AI干扰(AI推論)ベンチマークは,ULベンチマーク開発プログラム(BDP)を通じて,業界のパートナーと共に設計・開発を行いました。民党はプログラムメンバーとの密接な連携により,適切かつ公平なベンチマークを作成することを目的としたUL解决方案のイニシアチブです。
ニュ,ラルネットワ,クモデル
MobileNet V3
MobileNet V3は,モバaaplルデバaaplスに特化して作られたコンパクトな視覚認識モデルです。このベンチマ,クでは,MobileNet V3を用いて画像の被写体を特定します。画像を入力デ,タとして,画像内のコンテン,に対する確率のリストを出力します。このベンチマ,クでは,MobileNet V3の大規模な軽量バリアントを使用しています。
《盗梦空间》V4
Inception V4は,画像分類タスクのための最先端モデルです。精度を高めるために設計され,MobileNetよりはるかに広く深いモデルとなっています。このベンチマ,クでは,盗梦空间V4を用いて画像の被写体を特定します。画像を入力デ,タとして,画像内で特定されたコンテン,に対する確率のリストを出力します。
SSDLite MobileNet V3
SSDLiteは,画像中の物体の周囲に境界ボックスを生成することを目的とした物体検出モデルです。SSDLiteは,モバイルデバイスでのリアルタイムな物体検出を可能にするため,機能抽出にMobileNetを使用します。ベンチマークでは,SSDLiteの浮動小数版により,小型の軽量なMobileNet V3バリアントが使用されています。整数版では,MobileNet V3のEdgeTPUバリアントが使用されています。
DeepLab V3
DeepLabは,画像中の同じオブジェクトクラスに属する画素をクラスタリングすることを目的とした画像セグメンテーションモデルです。セマンティック画像分割により,画像中の各領域にオブジェクトのクラスをラベル付けします。このベンチマークでは,機能抽出にMobileNet V2を使用することで,大規模なモデルと比較して品質の差が少なく,高速な推論を可能にしています。
カスタムcnn
このベンチマークには,AlexNetアーキテクチャをベースにしたカスタムCNN(卷积神经网络)が含まれています。CNNの基本的な演算のパフォーマンスをテスト向けに設計されており,ランダムに生成された学習データで学習させます。2つの畳み込み層と,それに続く最大値プーリング層とドロップアウト層,そして1つの完全連結層で構成されています。
整数および浮動小数点モデル
このベンチマ,クには,各モデルの浮動小数点演算および整数演算の最適化版が両方含まれています。該当のデバ▪▪スに搭載されたすべての対応ハ▪▪ドウェアで各モデルが順番に実行されます。NNAPIにより,ベンチマークはデバイスの専用AI処理ハードウェアを使用します(サポートされている場合)。整数モデルはnnapiを使用するか,cpuまたはgpuで直接実行されます。整数モデルはnnapiを使用するか,cpu上で直接実行されます。
結果と▪▪ンサ▪▪ト
ベンチマ,ク
スコア
デバスやプロセッサをテストし,整数モデルと浮動小数点モデルでパフォマンスと品質を比較します。
パフォ,マンス
チャト
各モデルのグラフは,nnapiとその他の利用可能なプロセッサ,を使用した推論時間を示しています。
ハ,ドウェア
モニタリング
ベンチマ,ク実行中の温度,バッテリ充電量,メモリ使用量の変化をご覧いただけます。
モデル
出力
各モデルからの出力を確認し,アクセラレ,タが正しい結果を返していることを確認します。
デバereplicationス
ランキング
アプリ内のパフォ,マンスランキングで他機種との比較を確認することができます。
サ▪▪トラ▪▪センス
見積もり 出版関係者向けラ@ @センス年額1495ドルから
- UL ProcyonAI推論ベンチマクの年間サトラセンス。
- ユ,ザ,数,無制限。
- デバesc escス台数,無制限。
- メ,ルと電話による優先サポ,ト
最小システム要件
操作系统 | Android 10 |
---|---|
ストレ,ジ | 400mbの空き容量 |
言語
- 英語