AI Benchmark
4,4star
1,6 t anmeldelser
100 t+
Downloads
Alle
info
Om denne app
Neural billedgenerering, ansigtsgenkendelse, billedklassificering, besvarelse af spørgsmål...
Er din smartphone i stand til at køre de nyeste Deep Neural Networks til at udføre disse og mange andre AI-baserede opgaver? Har den en dedikeret AI-chip? Er det hurtigt nok? Kør AI Benchmark for professionelt at evaluere dens AI-ydelse!
Nuværende telefonrangering: http://ai-benchmark.com/ranking
AI Benchmark måler hastigheden, nøjagtigheden, strømforbruget og hukommelseskravene for flere vigtige AI-, Computer Vision- og NLP-modeller. Blandt de testede løsninger er metoder til billedklassificering og ansigtsgenkendelse, AI-modeller, der udfører neurale billeder og tekstgenerering, neurale netværk, der bruges til billed-/video-superopløsning og fotoforbedring, samt AI-løsninger, der bruges i autonome køresystemer og smartphones til real- tidsdybdeestimering og semantisk billedsegmentering. Visualiseringen af algoritmernes output gør det muligt at vurdere deres resultater grafisk og at lære den aktuelle state-of-the-art at kende inden for forskellige AI-områder.
I alt består AI Benchmark af 83 tests og 30 sektioner anført nedenfor:
Afsnit 1. Klassifikation, MobileNet-V3
Afsnit 2. Klassifikation, Inception-V3
Afsnit 3. Ansigtsgenkendelse, Swin Transformer
Afsnit 4. Klassifikation, EfficientNet-B4
Afsnit 5. Klassifikation, MobileViT-V2
Afsnit 6/7. Parallel modeludførelse, 8 x Inception-V3
Afsnit 8. Objektsporing, YOLO-V8
Afsnit 9. Optisk tegngenkendelse, ViT Transformer
Afsnit 10. Semantisk segmentering, DeepLabV3+
Afsnit 11. Parallel Segmentering, 2 x DeepLabV3+
Afsnit 12. Semantisk segmentering, segmentér hvad som helst
Afsnit 13. Fotosløring, IMDN
Afsnit 14. Image Super-Resolution, ESRGAN
Afsnit 15. Image Super-Resolution, SRGAN
Afsnit 16. Image Denoising, U-Net
Afsnit 17. Dybdevurdering, MV3-Dybde
Afsnit 18. Dybdevurdering, MiDaS 3.1
§ 19/20. Billedforbedring, DPED
Afsnit 21. Lært kamera ISP, MicroISP
Afsnit 22. Bokeh Effect Rendering, PyNET-V2 Mobile
Afsnit 23. FullHD Video Super-Resolution, XLSR
§ 24/25. 4K Video Super-opløsning, VideoSR
Afsnit 26. Besvarelse af spørgsmål, MobileBERT
Afsnit 27. Neural tekstgenerering, Lama2
Afsnit 28. Generering af neural tekst, GPT2
Afsnit 29. Neural billedgenerering, stabil diffusion V1.5
Afsnit 30. Hukommelsesgrænser, ResNet
Udover det kan man indlæse og teste deres egne TensorFlow Lite deep learning-modeller i PRO Mode.
En detaljeret beskrivelse af testene kan findes her: http://ai-benchmark.com/tests.html
Bemærk: Hardwareacceleration understøttes på alle mobile SoC'er med dedikerede NPU'er og AI-acceleratorer, inklusive Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos og UNISOC Tiger-chipsæt. Fra AI Benchmark v4 kan man også aktivere GPU-baseret AI-acceleration på ældre enheder i indstillingerne ("Accelerate" -> "Enable GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ er påkrævet).
Er din smartphone i stand til at køre de nyeste Deep Neural Networks til at udføre disse og mange andre AI-baserede opgaver? Har den en dedikeret AI-chip? Er det hurtigt nok? Kør AI Benchmark for professionelt at evaluere dens AI-ydelse!
Nuværende telefonrangering: http://ai-benchmark.com/ranking
AI Benchmark måler hastigheden, nøjagtigheden, strømforbruget og hukommelseskravene for flere vigtige AI-, Computer Vision- og NLP-modeller. Blandt de testede løsninger er metoder til billedklassificering og ansigtsgenkendelse, AI-modeller, der udfører neurale billeder og tekstgenerering, neurale netværk, der bruges til billed-/video-superopløsning og fotoforbedring, samt AI-løsninger, der bruges i autonome køresystemer og smartphones til real- tidsdybdeestimering og semantisk billedsegmentering. Visualiseringen af algoritmernes output gør det muligt at vurdere deres resultater grafisk og at lære den aktuelle state-of-the-art at kende inden for forskellige AI-områder.
I alt består AI Benchmark af 83 tests og 30 sektioner anført nedenfor:
Afsnit 1. Klassifikation, MobileNet-V3
Afsnit 2. Klassifikation, Inception-V3
Afsnit 3. Ansigtsgenkendelse, Swin Transformer
Afsnit 4. Klassifikation, EfficientNet-B4
Afsnit 5. Klassifikation, MobileViT-V2
Afsnit 6/7. Parallel modeludførelse, 8 x Inception-V3
Afsnit 8. Objektsporing, YOLO-V8
Afsnit 9. Optisk tegngenkendelse, ViT Transformer
Afsnit 10. Semantisk segmentering, DeepLabV3+
Afsnit 11. Parallel Segmentering, 2 x DeepLabV3+
Afsnit 12. Semantisk segmentering, segmentér hvad som helst
Afsnit 13. Fotosløring, IMDN
Afsnit 14. Image Super-Resolution, ESRGAN
Afsnit 15. Image Super-Resolution, SRGAN
Afsnit 16. Image Denoising, U-Net
Afsnit 17. Dybdevurdering, MV3-Dybde
Afsnit 18. Dybdevurdering, MiDaS 3.1
§ 19/20. Billedforbedring, DPED
Afsnit 21. Lært kamera ISP, MicroISP
Afsnit 22. Bokeh Effect Rendering, PyNET-V2 Mobile
Afsnit 23. FullHD Video Super-Resolution, XLSR
§ 24/25. 4K Video Super-opløsning, VideoSR
Afsnit 26. Besvarelse af spørgsmål, MobileBERT
Afsnit 27. Neural tekstgenerering, Lama2
Afsnit 28. Generering af neural tekst, GPT2
Afsnit 29. Neural billedgenerering, stabil diffusion V1.5
Afsnit 30. Hukommelsesgrænser, ResNet
Udover det kan man indlæse og teste deres egne TensorFlow Lite deep learning-modeller i PRO Mode.
En detaljeret beskrivelse af testene kan findes her: http://ai-benchmark.com/tests.html
Bemærk: Hardwareacceleration understøttes på alle mobile SoC'er med dedikerede NPU'er og AI-acceleratorer, inklusive Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos og UNISOC Tiger-chipsæt. Fra AI Benchmark v4 kan man også aktivere GPU-baseret AI-acceleration på ældre enheder i indstillingerne ("Accelerate" -> "Enable GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ er påkrævet).
Opdateret
For at du kan beskytte dine data, er det vigtigt at sætte sig ind i, hvordan udviklere indsamler og deler disse data. Databeskyttelses- og sikkerhedsprocedurer kan variere afhængigt af din brug, din region og din alder. Udvikleren har leveret disse oplysninger og kan løbende opdatere dem.
Der deles ikke data med tredjeparter
Få flere oplysninger om, hvordan udviklere angiver, at de deler data
Der blev ikke indsamlet data
Få flere oplysninger om, hvordan udviklere angiver, at de indsamler data
Bedømmelser og anmeldelser
4,4
1,54 t anmeldelser
Nyheder
1. LiteRT (TFLite) runtime updated to version 2.18.
2. Updated Qualcomm QNN, MediaTek Neuron, Samsung ENN, TFLite NNAPI, GPU and Hexagon NN delegates.
3. Bug fixes and performance improvements.
2. Updated Qualcomm QNN, MediaTek Neuron, Samsung ENN, TFLite NNAPI, GPU and Hexagon NN delegates.
3. Bug fixes and performance improvements.
Support til app
Om udvikleren
Andrii Ihnatov
andrey@vision.ee.ethz.ch
Switzerland
undefined
