Skip to content

Latest commit

 

History

History
54 lines (49 loc) · 3.13 KB

infer_benchmark_cn.md

File metadata and controls

54 lines (49 loc) · 3.13 KB

简体中文 | English

推理 Benchmark

测试环境:

  • GPU: V100 32G
  • CPU: Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz
  • CUDA: 10.1
  • cuDNN: 7.6
  • TensorRT: 6.0.1.5
  • Paddle: 2.1.1

GPU上分割模型的测试方法:

  1. 使用cityspcaes的全量验证数据集(1024x2048)进行测试
  2. 单GPU,Batchsize为1
  3. 运行耗时为纯模型预测时间
  4. 使用Paddle Inference的Python API测试,通过use_trt参数设置是否使用TRT,使用precision参数设置预测类型

GPU上推理Benchmark:

模型 使用TRT 预测类型 mIoU 耗时(s/img)
ANN_ResNet50_OS8 N FP32 0.7909 0.274
ANN_ResNet50_OS8 Y FP32 0.7909 0.281
ANN_ResNet50_OS8 Y FP16 0.7909 0.168
ANN_ResNet50_OS8 Y INT8 0.7906 0.195
DANet_ResNet50_OS8 N FP32 0.8027 0.371
DANet_ResNet50_OS8 Y FP32 0.8027 0.330
DANet_ResNet50_OS8 Y FP16 0.8027 0.183
DANet_ResNet50_OS8 Y INT8 0.8039 0.266
DeepLabV3P_ResNet50_OS8 N FP32 0.8036 0.165
DeepLabV3P_ResNet50_OS8 Y FP32 0.8036 0.206
DeepLabV3P_ResNet50_OS8 Y FP16 0.8036 0.196
DeepLabV3P_ResNet50_OS8 Y INT8 0.8044 0.083
DNLNet_ResNet50_OS8 N FP32 0.7995 0.381
DNLNet_ResNet50_OS8 Y FP32 0.7995 0.360
DNLNet_ResNet50_OS8 Y FP16 0.7995 0.230
DNLNet_ResNet50_OS8 Y INT8 0.7989 0.236
EMANet_ResNet50_OS8 N FP32 0.7905 0.208
EMANet_ResNet50_OS8 Y FP32 0.7905 0.186
EMANet_ResNet50_OS8 Y FP16 0.7904 0.062
EMANet_ResNet50_OS8 Y INT8 0.7939 0.106
GCNet_ResNet50_OS8 N FP32 0.7950 0.247
GCNet_ResNet50_OS8 Y FP32 0.7950 0.228
GCNet_ResNet50_OS8 Y FP16 0.7950 0.100
GCNet_ResNet50_OS8 Y INT8 0.7959 0.144
PSPNet_ResNet50_OS8 N FP32 0.7883 0.327
PSPNet_ResNet50_OS8 Y FP32 0.7883 0.324
PSPNet_ResNet50_OS8 Y FP16 0.7883 0.218
PSPNet_ResNet50_OS8 Y INT8 0.7915 0.223
UNet N FP32 0.6500 0.071
UNet Y FP32 0.6500 0.099
UNet Y FP16 0.6500 0.099
UNet Y INT8 0.6503 0.099