AI Benchmark
4,4star
1,54 tūkst. atsauksme
100 tūkst.+
Lejupielādes
Visiem
info
Par šo lietotni
Neironu attēlu ģenerēšana, sejas atpazīšana, attēlu klasifikācija, atbildes uz jautājumiem...
Vai jūsu viedtālrunis spēj darbināt jaunākos Deep Neural Networks, lai veiktu šos un daudzus citus uz AI balstītus uzdevumus? Vai tam ir īpaša AI mikroshēma? Vai tas ir pietiekami ātri? Palaidiet AI etalonu, lai profesionāli novērtētu tā AI veiktspēju!
Pašreizējais tālruņu rangs: http://ai-benchmark.com/ranking
AI etalons mēra ātrumu, precizitāti, enerģijas patēriņu un atmiņas prasības vairākiem galvenajiem AI, Computer Vision un NLP modeļiem. Starp pārbaudītajiem risinājumiem ir attēlu klasifikācijas un sejas atpazīšanas metodes, AI modeļi, kas veic neironu attēlu un teksta ģenerēšanu, neironu tīkli, kas tiek izmantoti attēla / video superizšķirtspējai un fotoattēlu uzlabošanai, kā arī AI risinājumi, kas tiek izmantoti autonomās braukšanas sistēmās un viedtālruņos reālai laika dziļuma novērtējums un semantiskā attēla segmentācija. Algoritmu izvadu vizualizācija ļauj grafiski novērtēt to rezultātus un iepazīt aktuālos sasniegumus dažādās AI jomās.
Kopumā AI etalons sastāv no 83 testiem un 30 sadaļām, kas uzskaitītas tālāk:
1. sadaļa. Klasifikācija, MobileNet-V3
2. sadaļa. Klasifikācija, sākums-V3
3. sadaļa. Sejas atpazīšana, Swin Transformer
4. sadaļa. Klasifikācija, EfficientNet-B4
5. sadaļa. Klasifikācija, MobileViT-V2
Sadaļas 6/7. Paralēlā modeļa izpilde, 8 x Inception-V3
8. sadaļa. Objektu izsekošana, YOLO-V8
9. sadaļa. Optiskā rakstzīmju atpazīšana, ViT transformators
10. sadaļa. Semantiskā segmentācija, DeepLabV3+
11. sadaļa. Paralēlā segmentācija, 2 x DeepLabV3+
12. sadaļa. Semantiskā segmentācija, Segmentēt jebko
13. sadaļa. Fotoattēlu izplūšana, IMDN
14. sadaļa. Image Super-Resolution, ESRGAN
15. sadaļa. Attēla superizšķirtspēja, SRGAN
16. sadaļa. Attēla trokšņa samazināšana, U-Net
17. sadaļa. Dziļuma novērtējums, MV3 dziļums
18. sadaļa. Dziļuma novērtējums, MiDaS 3.1
19/20 sadaļa. Attēla uzlabošana, DPED
21. sadaļa. Apmācītas kameras ISP, MicroISP
22. sadaļa. Bokeh efektu renderēšana, PyNET-V2 Mobile
23. sadaļa. FullHD video super-izšķirtspēja, XLSR
24/25 sadaļa. 4K video super-izšķirtspēja, VideoSR
26. sadaļa. Atbildēšana uz jautājumiem, MobileBERT
27. sadaļa. Neironu teksta ģenerēšana, Llama2
28. sadaļa. Neironu teksta ģenerēšana, GPT2
29. sadaļa. Neironu attēlu ģenerēšana, stabila difūzija V1.5
30. sadaļa. Atmiņas ierobežojumi, ResNet
Turklāt PRO režīmā var ielādēt un pārbaudīt savus TensorFlow Lite dziļās apmācības modeļus.
Detalizētu testu aprakstu var atrast šeit: http://ai-benchmark.com/tests.html
Piezīme. Aparatūras paātrinājums tiek atbalstīts visos mobilajos SoC ar īpašiem NPU un AI paātrinātājiem, tostarp Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos un UNISOC Tiger mikroshēmām. Sākot no AI Benchmark v4, iestatījumos var iespējot arī uz GPU balstītu AI paātrinājumu vecākām ierīcēm ("Accelerate" -> "Enable GPU Acceleration" / "Arm NN", nepieciešams OpenGL ES-3.0+).
Vai jūsu viedtālrunis spēj darbināt jaunākos Deep Neural Networks, lai veiktu šos un daudzus citus uz AI balstītus uzdevumus? Vai tam ir īpaša AI mikroshēma? Vai tas ir pietiekami ātri? Palaidiet AI etalonu, lai profesionāli novērtētu tā AI veiktspēju!
Pašreizējais tālruņu rangs: http://ai-benchmark.com/ranking
AI etalons mēra ātrumu, precizitāti, enerģijas patēriņu un atmiņas prasības vairākiem galvenajiem AI, Computer Vision un NLP modeļiem. Starp pārbaudītajiem risinājumiem ir attēlu klasifikācijas un sejas atpazīšanas metodes, AI modeļi, kas veic neironu attēlu un teksta ģenerēšanu, neironu tīkli, kas tiek izmantoti attēla / video superizšķirtspējai un fotoattēlu uzlabošanai, kā arī AI risinājumi, kas tiek izmantoti autonomās braukšanas sistēmās un viedtālruņos reālai laika dziļuma novērtējums un semantiskā attēla segmentācija. Algoritmu izvadu vizualizācija ļauj grafiski novērtēt to rezultātus un iepazīt aktuālos sasniegumus dažādās AI jomās.
Kopumā AI etalons sastāv no 83 testiem un 30 sadaļām, kas uzskaitītas tālāk:
1. sadaļa. Klasifikācija, MobileNet-V3
2. sadaļa. Klasifikācija, sākums-V3
3. sadaļa. Sejas atpazīšana, Swin Transformer
4. sadaļa. Klasifikācija, EfficientNet-B4
5. sadaļa. Klasifikācija, MobileViT-V2
Sadaļas 6/7. Paralēlā modeļa izpilde, 8 x Inception-V3
8. sadaļa. Objektu izsekošana, YOLO-V8
9. sadaļa. Optiskā rakstzīmju atpazīšana, ViT transformators
10. sadaļa. Semantiskā segmentācija, DeepLabV3+
11. sadaļa. Paralēlā segmentācija, 2 x DeepLabV3+
12. sadaļa. Semantiskā segmentācija, Segmentēt jebko
13. sadaļa. Fotoattēlu izplūšana, IMDN
14. sadaļa. Image Super-Resolution, ESRGAN
15. sadaļa. Attēla superizšķirtspēja, SRGAN
16. sadaļa. Attēla trokšņa samazināšana, U-Net
17. sadaļa. Dziļuma novērtējums, MV3 dziļums
18. sadaļa. Dziļuma novērtējums, MiDaS 3.1
19/20 sadaļa. Attēla uzlabošana, DPED
21. sadaļa. Apmācītas kameras ISP, MicroISP
22. sadaļa. Bokeh efektu renderēšana, PyNET-V2 Mobile
23. sadaļa. FullHD video super-izšķirtspēja, XLSR
24/25 sadaļa. 4K video super-izšķirtspēja, VideoSR
26. sadaļa. Atbildēšana uz jautājumiem, MobileBERT
27. sadaļa. Neironu teksta ģenerēšana, Llama2
28. sadaļa. Neironu teksta ģenerēšana, GPT2
29. sadaļa. Neironu attēlu ģenerēšana, stabila difūzija V1.5
30. sadaļa. Atmiņas ierobežojumi, ResNet
Turklāt PRO režīmā var ielādēt un pārbaudīt savus TensorFlow Lite dziļās apmācības modeļus.
Detalizētu testu aprakstu var atrast šeit: http://ai-benchmark.com/tests.html
Piezīme. Aparatūras paātrinājums tiek atbalstīts visos mobilajos SoC ar īpašiem NPU un AI paātrinātājiem, tostarp Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos un UNISOC Tiger mikroshēmām. Sākot no AI Benchmark v4, iestatījumos var iespējot arī uz GPU balstītu AI paātrinājumu vecākām ierīcēm ("Accelerate" -> "Enable GPU Acceleration" / "Arm NN", nepieciešams OpenGL ES-3.0+).
Atjaunināta
Drošība sākas ar izpratni par to, kā izstrādātāji vāc un kopīgo jūsu datus. Datu konfidencialitātes un drošības prakse var atšķirties atkarībā no izmantojuma, reģiona un vecuma. Izstrādātājs ir sniedzis šo informāciju un laika gaitā var to atjaunināt.
Dati netiek kopīgoti ar trešajām pusēm
Uzziniet vairāk par to, kā izstrādātāji norāda datu kopīgošanu.
Dati netiek vākti
Uzziniet vairāk par to, kā izstrādātāji norāda datu vākšanu.
Vērtējumi un atsauksmes
4,4
1,48 tūkst. atsauksmes
Jaunumi
1. New tasks and models: Vision Transformer (ViT) architectures, Large Language Models (LLMs), Stable Diffusion network, etc.
2. Added tests checking the performance of quantized INT16 inference.
3. LiteRT (TFLite) runtime updated to version 2.17.
4. Updated Qualcomm QNN, MediaTek Neuron, TFLite NNAPI, GPU and Hexagon NN delegates.
5. Added Arm NN delegate for AI inference acceleration on Mali GPUs.
6. The total number of tests increased to 83.
2. Added tests checking the performance of quantized INT16 inference.
3. LiteRT (TFLite) runtime updated to version 2.17.
4. Updated Qualcomm QNN, MediaTek Neuron, TFLite NNAPI, GPU and Hexagon NN delegates.
5. Added Arm NN delegate for AI inference acceleration on Mali GPUs.
6. The total number of tests increased to 83.