AI Benchmark

Ignatov Andrey

ກ່ຽວກັບແອັບນີ້

ການສ້າງຮູບພາບປະສາດ, ການຮັບຮູ້ໃບໜ້າ, ການຈັດປະເພດຮູບພາບ, ການຕອບຄຳຖາມ...

ສະມາດໂຟນຂອງທ່ານສາມາດແລ່ນເຄືອຂ່າຍ Deep Neural Networks ຫຼ້າສຸດເພື່ອປະຕິບັດວຽກງານເຫຼົ່ານີ້ ແລະຫຼາຍວຽກທີ່ອີງໃສ່ AI? ມັນມີ AI Chip ທີ່ອຸທິດຕົນບໍ? ມັນໄວພຽງພໍບໍ? ແລ່ນ AI Benchmark ເພື່ອປະເມີນປະສິດທິພາບ AI ຂອງມັນຢ່າງເປັນມືອາຊີບ!

ອັນດັບໂທລະສັບໃນປະຈຸບັນ: http://ai-benchmark.com/ranking

AI Benchmark ວັດແທກຄວາມໄວ, ຄວາມຖືກຕ້ອງ, ການບໍລິໂພກພະລັງງານ ແລະຄວາມຕ້ອງການຄວາມຊົງຈໍາສໍາລັບ AI ທີ່ສໍາຄັນຫຼາຍແບບ, Computer Vision ແລະ NLP. ໃນບັນດາວິທີແກ້ໄຂທີ່ທົດສອບແມ່ນວິທີການຈັດປະເພດຮູບພາບແລະການຮັບຮູ້ໃບຫນ້າ, ຮູບແບບ AI ປະຕິບັດການສ້າງຮູບພາບ neural ແລະຂໍ້ຄວາມ, ເຄືອຂ່າຍ neural ທີ່ໃຊ້ສໍາລັບຮູບພາບ / Video Super-Resolution ແລະການເພີ່ມປະສິດທິພາບຮູບພາບ, ເຊັ່ນດຽວກັນກັບການແກ້ໄຂ AI ທີ່ໃຊ້ໃນລະບົບຂັບລົດອັດຕະໂນມັດແລະໂທລະສັບສະຫຼາດສໍາລັບຕົວຈິງ. ການຄາດຄະເນຄວາມເລິກທີ່ໃຊ້ເວລາແລະການແບ່ງສ່ວນຮູບພາບ semantic. ການສະແດງພາບຂອງຜົນໄດ້ຮັບຂອງ algorithms ຊ່ວຍໃຫ້ສາມາດປະເມີນຜົນໄດ້ຮັບຂອງພວກມັນເປັນກາຟິກແລະຮູ້ຈັກຄວາມທັນສະໄຫມໃນປະຈຸບັນໃນຂົງເຂດ AI ຕ່າງໆ.

ໃນຈໍານວນທັງຫມົດ, AI Benchmark ປະກອບດ້ວຍ 83 ການທົດສອບແລະ 30 ພາກສ່ວນທີ່ລະບຸໄວ້ຂ້າງລຸ່ມນີ້:

ພາກທີ 1. ການຈັດປະເພດ, MobileNet-V3
ພາກທີ 2. ການຈັດປະເພດ, Inception-V3
ພາກທີ 3. ການຮັບຮູ້ໃບຫນ້າ, Swin Transformer
ພາກທີ 4. ການຈັດປະເພດ, EfficientNet-B4
ພາກທີ 5. ການຈັດປະເພດ, MobileViT-V2
ພາກທີ 6/7. ການປະຕິບັດຕົວແບບຂະຫນານ, 8 x Inception-V3
ພາກທີ 8. ການຕິດຕາມວັດຖຸ, YOLO-V8
ພາກທີ 9. Optical Character Recognition, ViT Transformer
ພາກທີ 10. Semantic Segmentation, DeepLabV3+
ພາກທີ 11. ການແບ່ງຂະໜານ, 2 x DeepLabV3+
ພາກທີ 12. Semantic Segmentation, Segment Anything
ພາກ​ທີ 13. ການ​ລົບ​ລ້າງ​ຮູບ​ພາບ, IMDN
ພາກທີ 14. ຮູບພາບ Super-Resolution, ESRGAN
ພາກທີ 15. ຮູບພາບ Super-Resolution, SRGAN
ພາກທີ 16. Image Denoising, U-Net
ພາກທີ 17. ການປະເມີນຄວາມເລິກ, MV3-Depth
ພາກທີ 18. ການປະເມີນຄວາມເລິກ, MiDaS 3.1
ພາກທີ 19/20. ການປັບປຸງຮູບພາບ, DPED
ພາກທີ 21. ຮຽນຮູ້ກ້ອງຖ່າຍຮູບ ISP, MicroISP
ພາກທີ 22. ການສະແດງຜົນ Bokeh, PyNET-V2 Mobile
ພາກທີ 23. FullHD Video Super-Resolution, XLSR
ພາກທີ 24/25. ວິດີໂອ 4K ຄວາມລະອຽດສູງສຸດ, VideoSR
ພາກທີ 26. ການຕອບຄໍາຖາມ, MobileBERT
ພາກທີ 27. Neural Text Generation, Llama2
ພາກທີ 28. Neural Text Generation, GPT2
ພາກທີ 29. ການສ້າງຮູບພາບ Neural, Stable Diffusion V1.5
ພາກທີ 30. ຄວາມຈໍາຈໍາກັດ, ResNet

ນອກ​ຈາກ​ນັ້ນ​, ຫນຶ່ງ​ສາ​ມາດ​ໂຫຼດ​ແລະ​ທົດ​ສອບ​ຕົວ​ແບບ​ການ​ຮຽນ​ຮູ້​ເລິກ TensorFlow Lite ຂອງ​ເຂົາ​ເຈົ້າ​ເອງ​ໃນ​ຮູບ​ແບບ PRO​.

ລາຍລະອຽດຂອງການທົດສອບສາມາດພົບໄດ້ທີ່ນີ້: http://ai-benchmark.com/tests.html

ໝາຍເຫດ: ການເລັ່ງຮາດແວແມ່ນຮອງຮັບໃນ SoC ມືຖືທັງໝົດທີ່ມີ NPUs ແລະ AI accelerators ທີ່ອຸທິດຕົນ, ລວມທັງ Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos, ແລະຊິບເຊັດ UNISOC Tiger. ເລີ່ມຕົ້ນຈາກ AI Benchmark v4, ຫນຶ່ງຍັງສາມາດເປີດໃຊ້ການເລັ່ງ AI ທີ່ອີງໃສ່ GPU ໃນອຸປະກອນເກົ່າໃນການຕັ້ງຄ່າ ("ເລັ່ງ" -> "ເປີດໃຊ້ GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ ແມ່ນຕ້ອງການ).

ມີຫຍັງໃໝ່

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.