Ai绘画资料合集.zip

# 常用视觉分类、目标检测模型性能测试 测试常用模型在单张图像上的识别速度，不包含图像读取时间，但包含图像预处理。可以在以后的应用中根据硬件配置选取合适的模型，达到最佳效果。其中推理速度为正常推理的速度，加速CPU使用openvino加速，GPU使用tensorrt加速。 CPU硬件： Intel i7 11700 16GB GPU硬件： Nvidia rtx 3090 24GB ## CPU 目标检测 其中推理速度单位为秒，mAP准确率在COCO数据集得到。旋转目标检测mAP在DOTAv1数据集得到。 | 模型 | 推理速度 | 加速 | mAP@50-95 | |-------------|-------|-------|-----------| | yolov8n | 0.128 | 0.024 | 37.3 | | yolov8s | 0.323 | 0.053 | 44.9 | | yolov8m | 0.648 | 0.108 | 50.2 | | yolov8l | 1.252 | 0.236 | 52.9 | | yolov9n | 0.177 | 0.029 | 38.3 | | yolov9s | 0.372 | 0.05 | 46.8 | | yolov9m | 0.886 | 0.115 | 51.4 | | yolov9l | 1.239 | 0.148 | 53.0 | | yolov10n | 0.172 | 0.043 | 38.5 | | yolov10s | 0.365 | 0.075 | 46.3 | | yolov10m | 0.818 | 0.138 | 51.1 | | yolov10l | 1.374 | 0.242 | 53.2 | | yolov8n-obb | 0.311 | 0.051 | 78.0 | | yolov8s-obb | 0.717 | 0.157 | 79.5 | | yolov8m-obb | 1.635 | 0.279 | 80.5 | | yolov8l-obb | 3.139 | 1.127 | 80.7 | 图像分类 其中推理速度单位为秒，Top-1准确率在ImageNet数据集得到。 | 模型 | 推理速度 | 加速 | Top-1 | |--------------------|-------|-------|-------| | yolov8n-cls | 0.017 | 0.005 | 69.0 | | yolov8s-cls | 0.037 | 0.007 | 73.8 | | yolov8m-cls | 0.076 | 0.011 | 76.8 | | yolov8l-cls | 0.146 | 0.029 | 76.8 | | yolov8x-cls | 0.25 | | 79.0 | | resnet18 | 0.306 | | 72.1 | | resnet34 | 0.418 | | 75.5 | | resnet50 | 0.903 | | 77.2 | | resnet101 | 1.614 | | 78.3 | | mobilenet_v3_small | 0.093 | | 67.4 | | mobilenet_v3_large | 0.252 | | 75.2 | | efficientnet_v2_s | 0.988 | | 83.9 | | efficientnet_v2_m | 1.684 | | 85.1 | | swin_v2_t | 1.412 | | 81.6 | | swin_v2_b | 4.074 | | 84.1 | | convnext_tiny | 0.766 | | 82.9 | | convnext_base | 2.363 | | 85.8 | ## GPU 目标检测 | 模型 | 推理速度 | 加速 | mAP@50-95 | |-------------|-------|-------|-----------| | yolov8n | 0.025 | 0.007 | 37.3 | | yolov8s | 0.023 | 0.008 | 44.9 | | yolov8m | 0.026 | 0.011 | 50.2 | | yolov8l | 0.026 | 0.015 | 52.9 | | yolov9n | 0.033 | 0.008 | 38.3 | | yolov9s | 0.032 | 0.008 | 46.8 | | yolov9m | 0.038 | 0.012 | 51.4 | | yolov9l | 0.026 | 0.013 | 53.0 | | yolov10n | 0.018 | 0.006 | 38.5 | | yolov10s | 0.019 | 0.007 | 46.3 | | yolov10m | 0.025 | 0.009 | 51.1 | | yolov10l | 0.024 | 0.013 | 53.2 | | yolov8n-obb | 0.047 | 0.006 | 78.0 | | yolov8s-obb | 0.03 | 0.008 | 79.5 | | yolov8m-obb | 0.039 | 0.014 | 80.5 | | yolov8l-obb | 0.041 | 0.023 | 80.7 | 图像分类 | 模型 | 推理速度 | 加速 | Top-1 | |--------------------|-------|-------|-------| | yolov8n-cls | 0.012 | 0.021 | 69.0 | | yolov8s-cls | 0.012 | 0.02 | 73.8 | | yolov8m-cls | 0.013 | 0.027 | 76.8 | | yolov8l-cls | 0.014 | 0.029 | 76.8 | | yolov8x-cls | 0.016 | 0.03 | 79.0 | | resnet18 | 0.042 | | 72.1 | | resnet34 | 0.046 | | 75.5 | | resnet50 | 0.055 | | 77.2 | | resnet101 | 0.063 | | 78.3 | | mobilenet_v3_small | 0.054 | | 67.4 | | mobilenet_v3_large | 0.056 | | 75.2 | | efficientnet_v2_s | 0.074 | | 83.9 | | efficientnet_v2_m | 0.076 | | 85.1 | | swin_v2_t | 0.127 | | 81.6 | | swin_v2_b | 0.145 | | 84.1 | | convnext_tiny | 0.048 | | 82.9 | | convnext_base | 0.068 | | 85.8 | # 结论 总体来说YOLO不论是分类还是目标检测，基本上做到了速度和精度的均衡。 openvino加速可以比CPU推理快6倍左右，但需要CPU是英特尔平台并且有集成显卡。精度有一定程度下降，平均下降2-3%。onnx推理精度几乎保持不变，速度提升约3倍。 tensorrt加速可以比GPU推理快3倍左右，需要GPU为英伟达平台。精度基本保持不变，下降在1%内。 图像分类 | | 速度 | 均衡 | 精度 | |-----|-------------|-------------|-------------------| | CPU | yolov8n-cls | yolov8m-cls | efficientnet_v2_m | | GPU | yolov8n-cls | yolov8m-cls | convnext_base | 目标检测 | | 速度 | 均衡 | 精度 | |-----|----------|----------|----------| | CPU | yolov8n | yolov8m | yolov9l | | GPU | yolov10n | yolov10m | yolov10l | CPU推理有集显使用openvino，无集显使用onnx。 GPU推理使用tensorrt