常用图像分类、目标检测模型性能测试_图像分类和目标检测

性能测试来源：网络编辑：小编更新时间：2024-10-30 21:17:25 浏览量：16

说明

测试常用CV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

测试代码地址：https://github.com/lining808/cv_time_speed

CPU

目标检测

其中推理速度单位为秒，测试十张图像取平均值。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
yolov5nu	0.117	0.023	34.3
yolov5su	0.262	0.047	43.0
yolov5mu	0.585	0.09	49.0
yolov5lu	1.165	0.172	52.2
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
rtdetr-l	1.261	0.182	53.0
rtdetr-x	2.232	0.321	54.8
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，测试十张图像取平均值。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

其中推理速度单位为秒，测试十张图像取平均值。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
yolov5nu	0.027	0.008	34.3
yolov5su	0.028	0.007	43.0
yolov5mu	0.03	0.009	49.0
yolov5lu	0.032	0.015	52.2
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
rtdetr-l	0.04		53.0
rtdetr-x	0.045		54.8
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

其中推理速度单位为秒，测试十张图像取平均值。Top-1准确率在ImageNet数据集得到。

模型	推理速度	加速	Top-1
yolov8n-cls	0.012	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pt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pt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。

推荐模型

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

推理格式

CPU推理有集显使用openvino，无集显使用onnx。

GPU推理使用tensorrt

到此这篇常用图像分类、目标检测模型性能测试_图像分类和目标检测的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！

上一篇： 9个最佳性能测试工具（2024）_主流的性能测试工具

下一篇：页面性能测试_软件第三方测试报告

版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/te-xn/8266.html

说明

CPU

目标检测

图像分类

GPU

目标检测

图像分类

结论

推荐模型

图像分类

目标检测

推理格式

相关文章：