AI Benchmark
4,4star
1,54k anmeldelser
100k+
Nedlastinger
Alle
info
Om denne appen
Neural bildegenerering, ansiktsgjenkjenning, bildeklassifisering, svar på spørsmål...
Er smarttelefonen din i stand til å kjøre de nyeste Deep Neural Networks for å utføre disse og mange andre AI-baserte oppgaver? Har den en dedikert AI-brikke? Er det raskt nok? Kjør AI Benchmark for å profesjonelt evaluere AI-ytelsen!
Gjeldende telefonrangering: http://ai-benchmark.com/ranking
AI Benchmark måler hastigheten, nøyaktigheten, strømforbruket og minnekravene for flere viktige AI-, Computer Vision- og NLP-modeller. Blant de testede løsningene er bildeklassifisering og ansiktsgjenkjenningsmetoder, AI-modeller som utfører nevrale bilde- og tekstgenerering, nevrale nettverk som brukes for bilde/video superoppløsning og fotoforbedring, samt AI-løsninger som brukes i autonome kjøresystemer og smarttelefoner for ekte- tidsdybdeestimering og semantisk bildesegmentering. Visualiseringen av algoritmenes utganger gjør det mulig å vurdere resultatene deres grafisk og å bli kjent med den nåværende state-of-the-art innen ulike AI-felt.
Totalt består AI Benchmark av 83 tester og 30 seksjoner oppført nedenfor:
Seksjon 1. Klassifisering, MobileNet-V3
Seksjon 2. Klassifisering, Inception-V3
Seksjon 3. Ansiktsgjenkjenning, Swin Transformer
Seksjon 4. Klassifisering, EfficientNet-B4
Seksjon 5. Klassifisering, MobileViT-V2
Avsnitt 6/7. Parallell modellutførelse, 8 x Inception-V3
Seksjon 8. Objektsporing, YOLO-V8
Seksjon 9. Optisk tegngjenkjenning, ViT-transformator
Seksjon 10. Semantisk segmentering, DeepLabV3+
Seksjon 11. Parallell segmentering, 2 x DeepLabV3+
Del 12. Semantisk segmentering, segmenter hva som helst
Seksjon 13. Fotoutsløring, IMDN
Seksjon 14. Bilde Super-Resolution, ESRGAN
Seksjon 15. Bilde Super-Resolution, SRGAN
Seksjon 16. Image Denoising, U-Net
Seksjon 17. Dybdeestimering, MV3-Dybde
Seksjon 18. Dybdeestimering, MiDaS 3.1
§ 19/20. Bildeforbedring, DPED
Seksjon 21. Lært kamera-ISP, MicroISP
Seksjon 22. Bokeh-effektgjengivelse, PyNET-V2 Mobile
Seksjon 23. FullHD Video Super-Resolution, XLSR
§ 24/25. 4K-video med superoppløsning, VideoSR
Seksjon 26. Spørsmålssvar, MobileBERT
Seksjon 27. Nevral tekstgenerering, Llama2
Seksjon 28. Nevral tekstgenerering, GPT2
Seksjon 29. Neural bildegenerering, stabil diffusjon V1.5
Seksjon 30. Minnegrenser, ResNet
I tillegg kan man laste og teste sine egne TensorFlow Lite dyplæringsmodeller i PRO-modus.
En detaljert beskrivelse av testene finner du her: http://ai-benchmark.com/tests.html
Merk: Maskinvareakselerasjon støttes på alle mobile SoC-er med dedikerte NPU-er og AI-akseleratorer, inkludert Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos og UNISOC Tiger-brikkesett. Fra AI Benchmark v4 kan man også aktivere GPU-basert AI-akselerasjon på eldre enheter i innstillingene ("Accelerate" -> "Enable GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ er påkrevd).
Er smarttelefonen din i stand til å kjøre de nyeste Deep Neural Networks for å utføre disse og mange andre AI-baserte oppgaver? Har den en dedikert AI-brikke? Er det raskt nok? Kjør AI Benchmark for å profesjonelt evaluere AI-ytelsen!
Gjeldende telefonrangering: http://ai-benchmark.com/ranking
AI Benchmark måler hastigheten, nøyaktigheten, strømforbruket og minnekravene for flere viktige AI-, Computer Vision- og NLP-modeller. Blant de testede løsningene er bildeklassifisering og ansiktsgjenkjenningsmetoder, AI-modeller som utfører nevrale bilde- og tekstgenerering, nevrale nettverk som brukes for bilde/video superoppløsning og fotoforbedring, samt AI-løsninger som brukes i autonome kjøresystemer og smarttelefoner for ekte- tidsdybdeestimering og semantisk bildesegmentering. Visualiseringen av algoritmenes utganger gjør det mulig å vurdere resultatene deres grafisk og å bli kjent med den nåværende state-of-the-art innen ulike AI-felt.
Totalt består AI Benchmark av 83 tester og 30 seksjoner oppført nedenfor:
Seksjon 1. Klassifisering, MobileNet-V3
Seksjon 2. Klassifisering, Inception-V3
Seksjon 3. Ansiktsgjenkjenning, Swin Transformer
Seksjon 4. Klassifisering, EfficientNet-B4
Seksjon 5. Klassifisering, MobileViT-V2
Avsnitt 6/7. Parallell modellutførelse, 8 x Inception-V3
Seksjon 8. Objektsporing, YOLO-V8
Seksjon 9. Optisk tegngjenkjenning, ViT-transformator
Seksjon 10. Semantisk segmentering, DeepLabV3+
Seksjon 11. Parallell segmentering, 2 x DeepLabV3+
Del 12. Semantisk segmentering, segmenter hva som helst
Seksjon 13. Fotoutsløring, IMDN
Seksjon 14. Bilde Super-Resolution, ESRGAN
Seksjon 15. Bilde Super-Resolution, SRGAN
Seksjon 16. Image Denoising, U-Net
Seksjon 17. Dybdeestimering, MV3-Dybde
Seksjon 18. Dybdeestimering, MiDaS 3.1
§ 19/20. Bildeforbedring, DPED
Seksjon 21. Lært kamera-ISP, MicroISP
Seksjon 22. Bokeh-effektgjengivelse, PyNET-V2 Mobile
Seksjon 23. FullHD Video Super-Resolution, XLSR
§ 24/25. 4K-video med superoppløsning, VideoSR
Seksjon 26. Spørsmålssvar, MobileBERT
Seksjon 27. Nevral tekstgenerering, Llama2
Seksjon 28. Nevral tekstgenerering, GPT2
Seksjon 29. Neural bildegenerering, stabil diffusjon V1.5
Seksjon 30. Minnegrenser, ResNet
I tillegg kan man laste og teste sine egne TensorFlow Lite dyplæringsmodeller i PRO-modus.
En detaljert beskrivelse av testene finner du her: http://ai-benchmark.com/tests.html
Merk: Maskinvareakselerasjon støttes på alle mobile SoC-er med dedikerte NPU-er og AI-akseleratorer, inkludert Qualcomm Snapdragon, MediaTek Dimensity / Helio, Google Tensor, HiSilicon Kirin, Samsung Exynos og UNISOC Tiger-brikkesett. Fra AI Benchmark v4 kan man også aktivere GPU-basert AI-akselerasjon på eldre enheter i innstillingene ("Accelerate" -> "Enable GPU Acceleration" / "Arm NN", OpenGL ES-3.0+ er påkrevd).
Oppdatert
Sikkerhet starter med en forståelse av hvordan utviklere samler inn og deler dataene dine. Fremgangsmåtene for personvern og datasikkerhet kan variere basert på bruk, region og alder. Utvikleren har oppgitt denne informasjonen og kan oppdatere den over tid.
Ingen data deles med tredjeparter
Finn ut mer om hvordan utviklere deklarerer deling
Ingen data samles inn
Finn ut mer om hvordan utviklere deklarerer innsamling
Vurderinger og anmeldelser
4,4
1,48k anmeldelser
Nyheter
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.