AI Benchmark

Ignatov Andrey

ဤအက်ပ်အကြောင်း

အာရုံကြောပုံရိပ် မျိုးဆက်၊ မျက်နှာ မှတ်သားမှု၊ ရုပ်ပုံ အမျိုးအစား ခွဲခြားမှု၊ မေးခွန်း ဖြေဆိုခြင်း...

သင့်စမတ်ဖုန်းသည် ဤနှင့် အခြားသော AI-အခြေခံလုပ်ဆောင်စရာများကို လုပ်ဆောင်ရန် နောက်ဆုံးပေါ် Deep Neural Networks များကို လုပ်ဆောင်နိုင်ပါသလား။ ၎င်းတွင် အထူးသီးသန့် AI Chip ရှိပါသလား။ လုံလောက်သလား။ ၎င်း၏ AI စွမ်းဆောင်ရည်ကို ကျွမ်းကျင်စွာ အကဲဖြတ်ရန် AI Benchmark ကို လုပ်ဆောင်ပါ။

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

AI Benchmark သည် အဓိက AI၊ Computer Vision နှင့် NLP မော်ဒယ်များစွာအတွက် အမြန်နှုန်း၊ တိကျမှု၊ ပါဝါသုံးစွဲမှုနှင့် မှတ်ဉာဏ်လိုအပ်ချက်များကို တိုင်းတာသည်။ စမ်းသပ်ထားသည့် ဖြေရှင်းချက်များထဲတွင် Image Classification နှင့် Face Recognition နည်းလမ်းများ၊ အာရုံကြောရုပ်ပုံနှင့် စာသားထုတ်လုပ်ခြင်းကို လုပ်ဆောင်သည့် AI မော်ဒယ်များ၊ Image/Video Super-Resolution နှင့် Photo Enhancement အတွက် အသုံးပြုသော အာရုံကြောကွန်ရက်များအပြင် အလိုအလျောက်မောင်းနှင်သည့်စနစ်များနှင့် စမတ်ဖုန်းများတွင် အသုံးပြုသည့် AI ဖြေရှင်းချက်များနှင့် အစစ်အမှန်၊ အချိန်အတိမ်အနက် ခန့်မှန်းချက်နှင့် Semantic Image အပိုင်းခွဲခြင်း။ အယ်လဂိုရီသမ်၏ ရလဒ်များကို ပုံဖော်ခြင်းမှ ၎င်းတို့၏ရလဒ်များကို ဂရပ်ဖစ်ဖြင့် အကဲဖြတ်ရန်နှင့် AI နယ်ပယ်အသီးသီးတွင် လက်ရှိခေတ်မီသော ခေတ်မီသောအခြေအနေကို သိခွင့်ရစေသည်။

စုစုပေါင်း AI Benchmark တွင် စမ်းသပ်မှု 83 ခုနှင့် အောက်တွင်ဖော်ပြထားသော အပိုင်း 30 ပါဝင်ပါသည်။

အပိုင်း 1. အမျိုးအစားခွဲခြင်း၊ MobileNet-V3
အပိုင်း ၂။ အမျိုးအစားခွဲခြင်း၊ Inception-V3
အပိုင်း ၃။ Face Recognition၊ Swin Transformer
အပိုင်း 4။ အမျိုးအစားခွဲခြင်း၊ EfficientNet-B4
အပိုင်း 5. အမျိုးအစားခွဲခြင်း၊ MobileViT-V2
ပုဒ်မ ၆/၇။ Parallel Model Execution၊ 8 x Inception-V3
အပိုင်း ၈။ အရာဝတ္ထု ခြေရာခံခြင်း၊ YOLO-V8
အပိုင်း ၉။ Optical Character Recognition၊ ViT Transformer
အပိုင်း 10။ Semantic Segmentation၊ DeepLabV3+
အပိုင်း 11။ Parallel Segmentation၊ 2 x DeepLabV3+
အပိုင်း 12။ Semantic Segmentation၊ Segment Anything
အပိုင်း 13။ Photo Deblurring၊ IMDN
အပိုင်း ၁၄။ ရုပ်ပုံ အထူးကြည်လင်ပြတ်သားမှု၊ ESRGAN
အပိုင်း 15။ ရုပ်ပုံ အထူးကြည်လင်ပြတ်သားမှု၊ SRGAN
အပိုင်း 16။ Image Denoising၊ U-Net
အပိုင်း 17။ Depth Estimation၊ MV3-Depth
အပိုင်း 18။ Depth Estimation၊ MiDaS 3.1
ပုဒ်မ ၁၉/၂၀။ ရုပ်ပုံမြှင့်တင်မှု၊ DPED
အပိုင်း ၂၁။ ကင်မရာ ISP၊ MicroISP တို့ကို လေ့လာခဲ့သည်။
အပိုင်း 22။ Bokeh Effect Rendering၊ PyNET-V2 မိုဘိုင်း
အပိုင်း ၂၃။ FullHD ဗီဒီယို Super-Resolution၊ XLSR
ပုဒ်မ ၂၄/၂၅။ 4K ဗီဒီယို Super-Resolution၊ VideoSR
အပိုင်း ၂၆။ အမေးအဖြေ၊ MobileBERT
အပိုင်း ၂၇။ Neural Text Generation၊ Llama2
အပိုင်း ၂၈။ Neural Text Generation၊ GPT2
အပိုင်း ၂၉။ Neural Image Generation၊ Stable Diffusion V1.5
အပိုင်း 30။ Memory ကန့်သတ်ချက်များ၊ ResNet

ထို့အပြင်၊ PRO Mode တွင် ၎င်းတို့၏ကိုယ်ပိုင် TensorFlow Lite နက်နဲသောသင်ယူမှုမော်ဒယ်များကို တင်၍ စမ်းသပ်နိုင်သည်။

စစ်ဆေးမှုများ၏ အသေးစိတ်ဖော်ပြချက်ကို ဤနေရာတွင် ကြည့်ရှုနိုင်သည်- http://ai-benchmark.com/tests.html

မှတ်ချက်- Qualcomm Snapdragon၊ MediaTek Dimensity / Helio၊ Google Tensor၊ HiSilicon Kirin၊ Samsung Exynos နှင့် UNISOC Tiger ချစ်ပ်ဆက်များ အပါအဝင် သီးခြား NPUs နှင့် AI အရှိန်မြှင့်ကိရိယာများဖြင့် မိုဘိုင်း SoC များအားလုံးတွင် ဟာ့ဒ်ဝဲ အရှိန်မြှင့်ခြင်းကို ပံ့ပိုးထားပါသည်။ AI Benchmark v4 မှစတင်၍ ဆက်တင်များရှိ စက်ပစ္စည်းအဟောင်းများတွင် GPU-based AI အရှိန်မြှင့်ခြင်းကို ဖွင့်နိုင်သည် ("အရှိန်မြှင့်" -> "GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ လိုအပ်သည်)။

အသစ်များ

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.