AI Benchmark
4,4star
1,6 tn recensioner
100 tn+
Nedladdningar
Ingen åldersgräns
info
Om appen
Neural bildgenerering, ansiktsigenkänning, bildklassificering, frågesvar...
Kan din smartphone köra de senaste Deep Neural Networks för att utföra dessa och många andra AI-baserade uppgifter? Har den ett dedikerat AI-chip? Är det tillräckligt snabbt? Kör AI Benchmark för att professionellt utvärdera dess AI-prestanda!
Aktuell telefonranking: http://ai-benchmark.com/ranking
AI Benchmark mäter hastigheten, noggrannheten, strömförbrukningen och minneskraven för flera viktiga AI-, Computer Vision- och NLP-modeller. Bland de testade lösningarna finns bildklassificering och ansiktsigenkänningsmetoder, AI-modeller som utför neurala bilder och textgenerering, neurala nätverk som används för bild/video superupplösning och fotoförbättring, samt AI-lösningar som används i autonoma körsystem och smartphones för verklig- tidsdjupuppskattning och semantisk bildsegmentering. Visualiseringen av algoritmernas utdata gör det möjligt att bedöma deras resultat grafiskt och att lära känna den aktuella state-of-the-art inom olika AI-områden.
Totalt består AI Benchmark av 83 tester och 30 sektioner listade nedan:
Avsnitt 1. Klassificering, MobileNet-V3
Avsnitt 2. Klassificering, Inception-V3
Avsnitt 3. Ansiktsigenkänning, Swin Transformer
Avsnitt 4. Klassificering, EfficientNet-B4
Avsnitt 5. Klassificering, MobileViT-V2
Avsnitt 6/7. Parallell modellutförande, 8 x Inception-V3
Avsnitt 8. Objektspårning, YOLO-V8
Avsnitt 9. Optisk teckenigenkänning, ViT-transformator
Avsnitt 10. Semantisk segmentering, DeepLabV3+
Avsnitt 11. Parallell segmentering, 2 x DeepLabV3+
Avsnitt 12. Semantisk segmentering, segmentera vad som helst
Avsnitt 13. Bildavskärning, IMDN
Avsnitt 14. Bild Super-Resolution, ESRGAN
Avsnitt 15. Bild Super-Resolution, SRGAN
Avsnitt 16. Image Denoising, U-Net
Avsnitt 17. Djupuppskattning, MV3-Djup
Avsnitt 18. Djupskattning, MiDaS 3.1
Avsnitt 19/20. Bildförbättring, DPED
Avsnitt 21. Learned Camera ISP, MicroISP
Avsnitt 22. Bokeh Effect Rendering, PyNET-V2 Mobile
Avsnitt 23. FullHD Video Super-Resolution, XLSR
§ 24/25. 4K Video Super-Resolution, VideoSR
Avsnitt 26. Frågesvar, MobileBERT
Avsnitt 27. Neural textgenerering, lama2
Avsnitt 28. Generering av neural text, GPT2
Avsnitt 29. Generering av neural bild, stabil diffusion V1.5
Avsnitt 30. Minnesgränser, ResNet
Förutom det kan man ladda och testa sina egna TensorFlow Lite djupinlärningsmodeller i PRO-läget.
En detaljerad beskrivning av testerna finns här: http://ai-benchmark.com/tests.html
Obs: Hårdvaruacceleration stöds på alla mobila SoC:er med dedikerade NPU:er och AI-acceleratorer, inklusive Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos och UNISOC Tiger-chipset. Med utgångspunkt från AI Benchmark v4 kan man även aktivera GPU-baserad AI-acceleration på äldre enheter i inställningarna ("Accelerera" -> "Enable GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ krävs).
Kan din smartphone köra de senaste Deep Neural Networks för att utföra dessa och många andra AI-baserade uppgifter? Har den ett dedikerat AI-chip? Är det tillräckligt snabbt? Kör AI Benchmark för att professionellt utvärdera dess AI-prestanda!
Aktuell telefonranking: http://ai-benchmark.com/ranking
AI Benchmark mäter hastigheten, noggrannheten, strömförbrukningen och minneskraven för flera viktiga AI-, Computer Vision- och NLP-modeller. Bland de testade lösningarna finns bildklassificering och ansiktsigenkänningsmetoder, AI-modeller som utför neurala bilder och textgenerering, neurala nätverk som används för bild/video superupplösning och fotoförbättring, samt AI-lösningar som används i autonoma körsystem och smartphones för verklig- tidsdjupuppskattning och semantisk bildsegmentering. Visualiseringen av algoritmernas utdata gör det möjligt att bedöma deras resultat grafiskt och att lära känna den aktuella state-of-the-art inom olika AI-områden.
Totalt består AI Benchmark av 83 tester och 30 sektioner listade nedan:
Avsnitt 1. Klassificering, MobileNet-V3
Avsnitt 2. Klassificering, Inception-V3
Avsnitt 3. Ansiktsigenkänning, Swin Transformer
Avsnitt 4. Klassificering, EfficientNet-B4
Avsnitt 5. Klassificering, MobileViT-V2
Avsnitt 6/7. Parallell modellutförande, 8 x Inception-V3
Avsnitt 8. Objektspårning, YOLO-V8
Avsnitt 9. Optisk teckenigenkänning, ViT-transformator
Avsnitt 10. Semantisk segmentering, DeepLabV3+
Avsnitt 11. Parallell segmentering, 2 x DeepLabV3+
Avsnitt 12. Semantisk segmentering, segmentera vad som helst
Avsnitt 13. Bildavskärning, IMDN
Avsnitt 14. Bild Super-Resolution, ESRGAN
Avsnitt 15. Bild Super-Resolution, SRGAN
Avsnitt 16. Image Denoising, U-Net
Avsnitt 17. Djupuppskattning, MV3-Djup
Avsnitt 18. Djupskattning, MiDaS 3.1
Avsnitt 19/20. Bildförbättring, DPED
Avsnitt 21. Learned Camera ISP, MicroISP
Avsnitt 22. Bokeh Effect Rendering, PyNET-V2 Mobile
Avsnitt 23. FullHD Video Super-Resolution, XLSR
§ 24/25. 4K Video Super-Resolution, VideoSR
Avsnitt 26. Frågesvar, MobileBERT
Avsnitt 27. Neural textgenerering, lama2
Avsnitt 28. Generering av neural text, GPT2
Avsnitt 29. Generering av neural bild, stabil diffusion V1.5
Avsnitt 30. Minnesgränser, ResNet
Förutom det kan man ladda och testa sina egna TensorFlow Lite djupinlärningsmodeller i PRO-läget.
En detaljerad beskrivning av testerna finns här: http://ai-benchmark.com/tests.html
Obs: Hårdvaruacceleration stöds på alla mobila SoC:er med dedikerade NPU:er och AI-acceleratorer, inklusive Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos och UNISOC Tiger-chipset. Med utgångspunkt från AI Benchmark v4 kan man även aktivera GPU-baserad AI-acceleration på äldre enheter i inställningarna ("Accelerera" -> "Enable GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ krävs).
Uppdaterades den
Säkerhet börjar med förståelsen av hur utvecklare samlar in och delar din data. Praxis för dataintegritet och säkerhet varierar beroende på användning, region och ålder. Utvecklaren har tillhandahållit denna information och kan uppdatera den med tiden.
Betyg och recensioner
4,4
1,54 tn recensioner
En av Googles användare
- Markera som olämplig
30 augusti 2019
Nice
Nyheter
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.
Appsupport
Om utvecklaren
Andrii Ihnatov
andrey@vision.ee.ethz.ch
Switzerland
undefined
