Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
PaddlePaddle
PaddleClas
提交
17d0db8b
P
PaddleClas
项目概览
PaddlePaddle
/
PaddleClas
大约 1 年 前同步成功
通知
115
Star
4999
Fork
1114
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
19
列表
看板
标记
里程碑
合并请求
6
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
PaddleClas
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
19
Issue
19
列表
看板
标记
里程碑
合并请求
6
合并请求
6
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
提交
17d0db8b
编写于
6月 19, 2022
作者:
G
gaotingquan
提交者：
Tingquan Gao
10月 17, 2022
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
docs: fix
上级
757f46f3
变更
5
隐藏空白更改
内联
并排
Showing
5 changed file
with
17 addition
and
90 deletion
+17
-90
docs/zh_CN/models/GhostNet.md
docs/zh_CN/models/GhostNet.md
+1
-15
docs/zh_CN/models/MobileNetV1.md
docs/zh_CN/models/MobileNetV1.md
+13
-16
docs/zh_CN/models/MobileNetV2.md
docs/zh_CN/models/MobileNetV2.md
+1
-18
docs/zh_CN/models/MobileNetV3.md
docs/zh_CN/models/MobileNetV3.md
+1
-23
docs/zh_CN/models/ShuffleNetV2.md
docs/zh_CN/models/ShuffleNetV2.md
+1
-18
未找到文件。
docs/zh_CN/models/GhostNet.md
浏览文件 @
17d0db8b
...
...
@@ -7,9 +7,8 @@
-
[
1.1 模型简介
](
#1.1
)
-
[
1.2 模型指标
](
#1.2
)
-
[
1.3 Benchmark
](
#1.3
)
-
[
1.3.1 基于 SD855 的预测速度
](
#1.3.1
)
-
[
1.3.1 基于 SD855 的预测速度
和存储大小
](
#1.3.1
)
-
[
1.3.2 基于 V100 GPU 的预测速度
](
#1.3.2
)
-
[
1.3.3 基于 T4 GPU 的预测速度
](
#1.3.3
)
-
[
2. 模型快速体验
](
#2
)
-
[
3. 模型训练、评估和预测
](
#3
)
-
[
4. 模型推理部署
](
#4
)
...
...
@@ -78,19 +77,6 @@ GhostNet 是华为于 2020 年提出的一种全新的轻量化网络结构，
**备注：**
精度类型为 FP32，推理过程使用 TensorRT。
<a
name=
'1.3.3'
></a>
#### 1.3.3 基于 T4 GPU 的预测速度
| Models | Size | Latency(ms)
<br>
FP32
<br>
bs=1 | Latency(ms)
<br>
FP32
<br>
bs=4 | Latency(ms)
<br>
FP32
<br>
bs=8 |
|-----------------------------|-----------------------|-----------------------|-----------------------|-----------------------|-----------------------|
| GhostNet_x0_5 | 224 | 1.66 | 2.24 | 2.73 |
| GhostNet_x1_0 | 224 | 1.69 | 2.73 | 3.81 |
| GhostNet_x1_3 | 224 | 1.84 | 2.88 | 3.94 |
| GhostNet_x1_3_ssld | 224 | 1.85 | 3.17 | 4.29 |
**备注：**
推理过程使用 TensorRT。
<a
name=
"2"
></a>
## 2. 模型快速体验
...
...
docs/zh_CN/models/MobileNetV1.md
浏览文件 @
17d0db8b
...
...
@@ -7,9 +7,8 @@
-
[
1.1 模型简介
](
#1.1
)
-
[
1.2 模型指标
](
#1.2
)
-
[
1.3 Benchmark
](
#1.3
)
-
[
1.3.1 基于 SD855 的预测速度
](
#1.3.1
)
-
[
1.3.1 基于 SD855 的预测速度
和存储大小
](
#1.3.1
)
-
[
1.3.2 基于 V100 GPU 的预测速度
](
#1.3.2
)
-
[
1.3.3 基于 T4 GPU 的预测速度
](
#1.3.3
)
-
[
2. 模型快速体验
](
#2
)
-
[
3. 模型训练、评估和预测
](
#3
)
-
[
4. 模型推理部署
](
#4
)
...
...
@@ -53,6 +52,18 @@ MobileNetV1 是 Google 于 2017 年发布的用于移动设备或嵌入式设备
| MobileNetV1 | 0.710 | 0.897 | 0.706 | | 1.110 | 4.190 |
| MobileNetV1_ssld | 0.779 | 0.939 | | | 1.110 | 4.190 |
<a
name=
'1.3.1'
></a>
#### 1.3.1 基于 SD855 的预测速度和存储大小
| Models | SD855 time(ms)
<br>
bs=1, thread=1 | SD855 time(ms)
<br/>
bs=1, thread=2 | SD855 time(ms)
<br/>
bs=1, thread=4 | Storage Size(M) |
|:--:|----|----|----|----|
| MobileNetV1_x0_25 | 2.88 | 1.82 | 1.26 | 1.900 |
| MobileNetV1_x0_5 | 8.74 | 5.26 | 3.09 | 5.200 |
| MobileNetV1_x0_75 | 17.84 | 10.61 | 6.21 | 10.000 |
| MobileNetV1 | 30.24 | 17.86 | 10.30 | 16.000 |
| MobileNetV1_ssld | 30.19 | 17.85 | 10.23 | 16.000 |
<a
name=
'1.3.2'
></a>
#### 1.3.2 基于 V100 GPU 的预测速度
...
...
@@ -67,20 +78,6 @@ MobileNetV1 是 Google 于 2017 年发布的用于移动设备或嵌入式设备
**备注：**
精度类型为 FP32，推理过程使用 TensorRT。
<a
name=
'1.3.2'
></a>
#### 1.3.2 基于 T4 GPU 的预测速度
| Models | Size| Latency(ms)
<br>
FP32
<br>
bs=1 | Latency(ms)
<br>
FP32
<br>
bs=4 | Latency(ms)
<br>
FP32
<br>
bs=8 |
|-----------------------------|-----------------------|-----------------------|-----------------------|-----------------------|-----------------------|
| MobileNetV1_x0_25 | 224 | 0.47 | 0.93 | 1.39 |
| MobileNetV1_x0_5 | 224 | 0.48 | 1.09 | 1.69 |
| MobileNetV1_x0_75 | 224 | 0.55 | 1.34 | 2.03 |
| MobileNetV1 | 224 | 0.64 | 1.57 | 2.48 |
| MobileNetV1_ssld | 224 | 0.66 | 1.59 | 2.58 |
**备注：**
推理过程使用 TensorRT。
<a
name=
"2"
></a>
## 2. 模型快速体验
...
...
docs/zh_CN/models/MobileNetV2.md
浏览文件 @
17d0db8b
...
...
@@ -7,9 +7,8 @@
-
[
1.1 模型简介
](
#1.1
)
-
[
1.2 模型指标
](
#1.2
)
-
[
1.3 Benchmark
](
#1.3
)
-
[
1.3.1 基于 SD855 的预测速度
](
#1.3.1
)
-
[
1.3.1 基于 SD855 的预测速度
和存储大小
](
#1.3.1
)
-
[
1.3.2 基于 V100 GPU 的预测速度
](
#1.3.2
)
-
[
1.3.3 基于 T4 GPU 的预测速度
](
#1.3.3
)
-
[
2. 模型快速体验
](
#2
)
-
[
3. 模型训练、评估和预测
](
#3
)
-
[
4. 模型推理部署
](
#4
)
...
...
@@ -87,22 +86,6 @@ MobileNetV2 是 Google 继 MobileNetV1 提出的一种轻量级网络。相比 M
**备注：**
精度类型为 FP32，推理过程使用 TensorRT。
<a
name=
'1.3.3'
></a>
#### 1.3.3 基于 T4 GPU 的预测速度
| Models | Size | Latency(ms)
<br>
FP32
<br>
bs=1 | Latency(ms)
<br>
FP32
<br>
bs=4 | Latency(ms)
<br>
FP32
<br>
bs=8 |
|----------------------------|-----------------------|-----------------------|-----------------------|-----------------------|
| MobileNetV2_x0_25 | 224 | 0.83 | 1.17 | 1.78 |
| MobileNetV2_x0_5 | 224 | 0.84 | 1.45 | 2.04 |
| MobileNetV2_x0_75 | 224 | 0.96 | 1.62 | 2.53 |
| MobileNetV2 | 224 | 1.02 | 1.93 | 2.89 |
| MobileNetV2_x1_5 | 224 | 1.32 | 2.58 | 4.14 |
| MobileNetV2_x2_0 | 224 | 1.57 | 3.13 | 4.76 |
| MobileNetV2_ssld | 224 | 1.01 | 1.97 | 2.84 |
**备注：**
推理过程使用 TensorRT。
<a
name=
"2"
></a>
## 2. 模型快速体验
...
...
docs/zh_CN/models/MobileNetV3.md
浏览文件 @
17d0db8b
...
...
@@ -7,9 +7,8 @@
-
[
1.1 模型简介
](
#1.1
)
-
[
1.2 模型指标
](
#1.2
)
-
[
1.3 Benchmark
](
#1.3
)
-
[
1.3.1 基于 SD855 的预测速度
](
#1.3.1
)
-
[
1.3.1 基于 SD855 的预测速度
和存储大小
](
#1.3.1
)
-
[
1.3.2 基于 V100 GPU 的预测速度
](
#1.3.2
)
-
[
1.3.3 基于 T4 GPU 的预测速度
](
#1.3.3
)
-
[
2. 模型快速体验
](
#2
)
-
[
3. 模型训练、评估和预测
](
#3
)
-
[
4. 模型推理部署
](
#4
)
...
...
@@ -108,27 +107,6 @@ ShuffleNet 系列网络是旷视提出的轻量化网络结构，到目前为止
**备注：**
精度类型为 FP32，推理过程使用 TensorRT。
<a
name=
'1.3.3'
></a>
#### 1.3.3 基于 T4 GPU 的预测速度
| Models | Size | Latency(ms)
<br>
FP32
<br>
bs=1 | Latency(ms)
<br>
FP32
<br>
bs=4 | Latency(ms)
<br>
FP32
<br>
bs=8 |
|-----------------------------|-----------------------|-----------------------|-----------------------|-----------------------|-----------------------|
| MobileNetV3_small_x0_35 | 224 | 1.01 | 1.44 | 1.92 |
| MobileNetV3_small_x0_5 | 224 | 1.01 | 1.49 | 2.01 |
| MobileNetV3_small_x0_75 | 224 | 1.04 | 1.71 | 2.37 |
| MobileNetV3_small_x1_0 | 224 | 1.03 | 1.76 | 2.50 |
| MobileNetV3_small_x1_25 | 224 | 1.20 | 2.04 | 2.64 |
| MobileNetV3_large_x0_35 | 224 | 1.10 | 1.74 | 2.34 |
| MobileNetV3_large_x0_5 | 224 | 1.10 | 1.85 | 2.69 |
| MobileNetV3_large_x0_75 | 224 | 1.37 | 2.23 | 3.17 |
| MobileNetV3_large_x1_0 | 224 | 1.37 | 2.67 | 3.46 |
| MobileNetV3_large_x1_25 | 224 | 1.75 | 2.87 | 4.23 |
| MobileNetV3_small_x1_0_ssld | 224 | 1.06 | 1.89 | 2.48 |
| MobileNetV3_large_x1_0_ssld | 224 | 1.35 | 2.47 | 3.72 |
**备注：**
推理过程使用 TensorRT。
<a
name=
"2"
></a>
## 2. 模型快速体验
...
...
docs/zh_CN/models/ShuffleNetV2.md
浏览文件 @
17d0db8b
...
...
@@ -7,9 +7,8 @@
-
[
1.1 模型简介
](
#1.1
)
-
[
1.2 模型指标
](
#1.2
)
-
[
1.3 Benchmark
](
#1.3
)
-
[
1.3.1 基于 SD855 的预测速度
](
#1.3.1
)
-
[
1.3.1 基于 SD855 的预测速度
和存储大小
](
#1.3.1
)
-
[
1.3.2 基于 V100 GPU 的预测速度
](
#1.3.2
)
-
[
1.3.3 基于 T4 GPU 的预测速度
](
#1.3.3
)
-
[
2. 模型快速体验
](
#2
)
-
[
3. 模型训练、评估和预测
](
#3
)
-
[
4. 模型推理部署
](
#4
)
...
...
@@ -87,22 +86,6 @@ ShuffleNet 系列网络是旷视提出的轻量化网络结构，到目前为止
**备注：**
精度类型为 FP32，推理过程使用 TensorRT。
<a
name=
'1.3.3'
></a>
#### 1.3.3 基于 T4 GPU 的预测速度
| Models | Size | Latency(ms)
<br>
FP32
<br>
bs=1 | Latency(ms)
<br>
FP32
<br>
bs=4 | Latency(ms)
<br>
FP32
<br>
bs=8 |
|-----------------------------|-----------------------|-----------------------|-----------------------|-----------------------|-----------------------|
| ShuffleNetV2_swish | 224 | 1.43 | 1.93 | 2.69 |
| ShuffleNetV2_x0_25 | 224 | 0.92 | 1.27 | 1.73 |
| ShuffleNetV2_x0_33 | 224 | 0.91 | 1.29 | 1.81 |
| ShuffleNetV2_x0_5 | 224 | 0.89 | 1.43 | 1.94 |
| ShuffleNetV2_x1_0 | 224 | 1.05 | 1.76 | 2.37 |
| ShuffleNetV2_x1_5 | 224 | 0.93 | 1.99 | 2.85 |
| ShuffleNetV2_x2_0 | 224 | 1.45 | 2.70 | 3.35 |
**备注：**
推理过程使用 TensorRT。
<a
name=
"2"
></a>
## 2. 模型快速体验
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑！
取消
想要评论请
注册
或
登录
