- Początek
- Produkty
- Aktualności
- Dokumentacja
- Dane kontaktowe
- Pobierz
- Panel użytkownika
Narzędzia Zebra Aurora™ Vision
w pełni wykorzystują możliwości współczesnych procesorów - w szczególności instrukcje SSE/AVX/NEON
i obliczenia równoległe w architekturach wielordzeniowych. Poniższa tabela zawiera wyniki testu porównawczego Zebra Aurora™ Vision Studio i konkurencyjnych bibliotek.
| Filtr | Zebra Aurora™ Vision Studio 4.12 | Inny produkt | OpenCV 4.2 |
|---|---|---|---|
| Negacja obrazu | 0.030 ms | 0.032 ms | 0.025 ms |
| Suma obrazów | 0.029 ms | 0.047 ms | 0.036 ms |
| Różnica obrazów | 0.036 ms | 0.045 ms | 0.030 ms |
| Konwersja RGB do HSV | 0.127 ms | 1.026 ms | 0.129 ms |
| Rozmycie Gaussa 3x3 | 0.031 ms | 0.035 ms | 0.037 ms |
| Rozmycie Gaussa 5x5 | 0.033 ms | 0.073 ms | 0.052 ms |
| Rozmycie Gaussa 21x21 | 0.311 ms | 0.355 ms | 0.240 ms |
| Filtr uśredniający 21x21 | 0.100 ms | 0.102 ms | 0.291 ms |
| Erozja 3x3 | 0.030 ms | 0.035 ms | 0.050 ms |
| Erozja 5x5 | 0.030 ms | 0.036 ms | 0.059 ms |
| Obli. amplitudy gradientu Sobela (sum) | 0.032 ms | 0.035 ms | |
| Obli. amplitudy gradientu Sobela (hypot) | 0.034 ms | 0.040 ms | |
| Progowanie do regionu | 0.043 ms | 0.076 ms | |
| Spójne składowe regionu | 0.119 ms | 0.206 ms | |
| Dwuliniowe skalowanie obrazu | 0.131 ms | 0.108 ms | 0.052 ms |
Powyższe rezultaty odpowiadają ośmiobitowemu obrazowi o rozdzielczości 640X480 na procesorze Intel Core i5 - 3.2 GHz. Celem eliminacji komponentu nieprzypadkowego z błedu mierniczego trzydziestokrotnie pomnożono przez 10 liczbę powtórzeń każdej operacji. Uzyskano następującą sekwencję powtórzeniową: 10, 20, 30, ..., 300. Następnie do uzyskanych czasów wykonania dopasowano prostą linię. Przy pomocy tego podejścia stały błąd powiązany z początkiem i końcem pomiaru odzwierciedla przesunięcie linii, podczas gdy czas wykonania wyrażany jest nierównością linii. W ramach podwyższenia precyzji pomiarów przetestowano duże obrazy, a wyniki znormalizowano. Warto zwrócić uwagę, że funkcje pochodzące z różnych bibliotek nie zawsze doprowadzą do takich samych danych wyjściowych.
Filtry Zebra Aurora™ Vision Studio są zoptymalizowane pod kątem technologii SSE/AVX/NEON i procesorów wielordzeniowych. Przyspieszenie uzyskiwane dzięki tym optymalizacjom i zrównoleglaniu obliczeń na procesorach wielordzeniowych jest jednak silnie zależne od specyfiki konkretnego operatora. Elementarne operacje wykonywane na każdym pikselu obrazu z osobna zrealizowane przy pomocy instrukcji SSE osiągają wydajność bliską operacji samego tylko dostępu do przetwarzanej pamięci. W przypadku bardziej złożonych filtrów, takich jak rozmycie Gaussa, możliwe jest uzyskanie przyspieszenia nawet o rząd wielkości w stosunku do klasycznych implementacji.
Poniższa tabela prezentuje wydajność różnych procesorów podczas wykonwywania filtrów (im wyżej, tym lepiej). Zestawienie to można traktować jako odniesienie podczas wybierania właściwego sprzętu dla konkretnych aplikacji.
| Kategoria porównania | Wynik łączny | |||||||
|---|---|---|---|---|---|---|---|---|
| Konfiguracja urządzenia | Silnik wykonawczy | Przetwarzanie obrazu | Analiza obrazu | Przetwarzanie regionów | Aplikacje | |||
|
54.9 | 32.7 | 41.1 | 61.7 | 53.1 | 48.7 | ||
|
54.9 | 79.4 | 87.1 | 108.2 | 105.4 | 87.0 | ||
|
100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | ||
|
193.5 | 204.2 | 157.3 | 143.6 | 167.3 | 173.2 | ||
|
112.3 | 213.4 | 164.8 | 218.7 | 174.6 | 176.7 | ||
|
311.6 | 136.8 | 171.6 | 210.0 | 212.0 | 208.4 | ||
|
427.8 | 534.6 | 303.6 | 295.9 | 352.6 | 382.9 | ||
|
507.6 | 593.4 | 346.8 | 345.9 | 393.1 | 437.4 | ||
|
545.3 | 628.1 | 355.1 | 324.7 | 403.6 | 455.0 | ||
|
554.6 | 645.5 | 359.0 | 360.4 | 416.5 | 467.2 | ||
|
611.6 | 667.6 | 366.6 | 356.9 | 421.3 | 484.8 | ||
|
628.3 | 678.7 | 380.5 | 378.9 | 420.8 | 483.5 | ||
|
641.8 | 710.0 | 365.9 | 366.8 | 416.3 | 500.2 | ||
|
640.2 | 699.1 | 380.9 | 378.8 | 412.6 | 502.3 | ||
|
663.7 | 794.0 | 395.7 | 390.2 | 458.1 | 540.3 | ||
|
684.3 | 830.1 | 422.0 | 406.8 | 492.6 | 567.1 | ||
|
798.2 | 887.5 | 474.7 | 461.1 | 550.1 | 634.3 | ||
|
667.9 | 1407.1 | 535.9 | 439.0 | 419.6 | 693.9 | ||
|
862.5 | 1364.7 | 587.8 | 491.3 | 594.3 | 780.1 | ||
Im wyższy wynik tym większa wydajność komputera.
Podczas tych testów wykonywano stałą liczbę operacji, a następnie badano czasy ich wykonania. Uzyskane wartości zostały znormalizowane.
Powrót do początku strony
Poniższa tabela prezentuje wydajność różnych konfiguracji sprzętowych podczas wykonwywania filtrów Deep Learning (im wyższy wynik, tym lepiej). Zestawienie to można traktować jako odniesienie podczas wybierania właściwego sprzętu dla konkretnych aplikacji.
| Konfiguracja sprzętu | Sieć Deep Learning | Wynik łączny | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Classify Object (CO) | Detect Anomalies 2 (DA2) | Detect Anomalies 1 Global (DA1G) | Detect Anomalies 1 Local (DA1L) | Detect Features (DF) | Instance Segmentation (IS) | Locate Points (LP) | ||||
|
35.7 | 5.7 | 24.0 | 6.3 | 6.9 | 15.0 | 7.0 | 7.4 | ||
|
118.2 | 30.1 | 64.3 | 12.4 | 13.6 | 92.7 | 18.4 | 20.2 | ||
|
122.8 | 26.9 | 58.2 | 14.8 | 13.3 | 83.9 | 15.0 | 20.5 | ||
|
58.9 | 26.6 | 59.1 | 18.8 | 13.6 | 88.3 | 16.3 | 22.6 | ||
|
186.0 | 32.6 | 75.6 | 17.6 | 14.9 | 102.9 | 19.1 | 24.4 | ||
|
164.3 | 34.9 | 82.6 | 22.2 | 18.9 | 105.3 | 21.6 | 29.1 | ||
|
245.5 | 43.9 | 70.5 | 40.3 | 43.2 | 172.7 | 68.6 | 53.1 | ||
|
68.5 | 135.1 | 108.5 | 94.8 | 85.4 | 96.5 | 69.2 | 96.5 | ||
|
102.2 | 99.1 | 92.8 | 102.8 | 99.5 | 97.8 | 100.0 | 99.6 | ||
|
100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | ||
|
101.6 | 103.9 | 90.0 | 101.0 | 100.5 | 96.0 | 105.8 | 100.5 | ||
|
82.7 | 136.0 | 90.9 | 129.6 | 133.6 | 106.3 | 134.6 | 124.1 | ||
|
102.7 | 157.7 | 135.4 | 142.8 | 148.8 | 133.1 | 134.7 | 143.3 | ||
|
109.0 | 158.9 | 108.4 | 161.5 | 167.7 | 127.3 | 161.4 | 150.5 | ||
|
99.4 | 192.5 | 167.7 | 173.8 | 182.4 | 155.5 | 168.6 | 173.7 | ||
|
99.7 | 244.3 | 201.7 | 249.8 | 556.0 | 172.8 | 511.7 | 259.9 | ||
|
161.6 | 276.8 | 134.3 | 274.2 | 569.7 | 175.8 | 594.9 | 270.8 | ||
Im wyższy wynik tym większa wydajność.
Podczas testów przeprowadzano pomiary czasu wykonywania dla wybranych narzędzi Deep Learning. Uzyskane wartości zostały znormalizowane.
Powrót do początku strony