Ցույց տուր կառուցվածքը

Հրապարակման մանրամասներ:

Լույս է տեսնում 1948 թվականից՝ տարին 4 անգամ։

Ամսագրի կամ հրապարակման վերնագիր:

ՀՀ ԳԱԱ եւ ՀԱՊՀ Տեղեկագիր. Տեխնիկական գիտություններ =Proceedings of the NAS RA and NPUA: Technical Sciences

Հրապարակման ամսաթիվ:

2021

Հատոր:

74

Համար:

3

ISSN:

0002-306X

Պաշտոնական URL:


Լրացուցիչ տեղեկություն:

Բատուտին Ա. Վ., Լիդա Կ. Պ., Խոջոյան Լ. Ա., Ֆեդերիկո Խ. Պ., Քարամյան Տ. Ս., Քարամյան Դ. Ս., Батутин А. В., Лида К. П., Ходжоян Л. А., Федерико Х. П., Карамян Т. С., Карамян Д. С.

Վերնագիր:

Evaluation of inference optimized image classification models on iOS platform

Այլ վերնագիր:

Оценка выводов оптимизированных моделей классификации изображений на платформе iOS ; Օպտիմացված պատկերների դասակարգման մոդելների արդյուքների գնահատումը iOS պլատֆորմի վրա

Ստեղծողը:

Batutin, A. V. ; Lyda, K. P. ; Khojoyan, L. A. ; Federico, J. P. ; Karamyan, T. S. ; Karamyan, D. S.

Աջակից(ներ):

Պատ․ խմբ․՝ Ա․ Գ․ Նազարով (1957-1964) ; Մ․ Վ․ Կասյան (1964-1988) ; Ռ․ Մ․ Մարտիրոսյան (1989-2017 ) ; Գլխավոր խմբ․՝ Վ․ Շ․ Մելիքյան (2018-)

Խորագիր:

Computer science and informatics

Չվերահսկվող բանալի բառեր:

Camera Scene Detection challenge ; MobileNetV2 ; EfficientNet ; image classification

Ծածկույթ:

308-313

Ամփոփում:

In this paper, we evaluate MobileNetV2 and EfficientNet network architectures performance on the iOS platform. Even though both networks are well researched, there is a certain lack of empirical data when it comes to the iOS platform. In this paper, we provide experimental data for top-1 accuracy and inference time, as well as RAM footprint collected on iPhone X and iPhone 12 Pro. The evaluation was performed using CPU, GPU, and Neural Engine (iPhone 12 only). Also, a full int8 quantization evaluation was done for MobileNetV2. Challenges around EfficientNet quantization are also described. The scoring metrics and dataset used to train models were provided as part of Mobile AI 2021 Real- Time Camera Scene Detection Challenge: https://competitions.codalab.org/competitions/28113.
Գնահատվել է MobileNetV2 և EfficNet ցանցերի ճարտարապետությունների արտադրողականությունը iOS պլատֆորմի վրա: Չնայած երկու ցանցերն էլ լավ ուսումնասիրված են, այդուհանդերձ, էմպիրիկ տվյալների որոշակի պակաս կա, երբ խոսքը վերաբերում է iOS պլատֆորմին: Ներկայացվել են փորձարարական տվյալներ մոդելների ճշգրտության և արագագործության վերաբերյալ, ինչպես նաև RAM- ի վերաբերյալ տեղեկություն, որը հավաքվել է iPhone X- ի և iPhone 12 Pro- ի վրա: Գնահատումն իրականացվել է CPU-ի, GPU- ի և նյարդային շարժիչի միջոցով (միայն iPhone 12-ով): MobileNetV2- ի համար ևս կատարվել է int8 քվանտացման ամբողջական գնահատում: Նկարագրվել են նաև EfficNet քվանտացման շուրջ մարտահրավերները: Մոդելները պատրաստելու համար օգտագործված գնահատման չափորոշիչները և տվյալների հավաքածուն տրամադրվել են Mobile AI 2021 իրական ժամանակում տեսախցիկի տեսարանի հայտնաբերման (Mobile AI 2021 Real-Time Camera Scene Detection) մարտահրավերի շրջանակներում. https://competitions.codalab.org/- competitions/28113․
Дается оценка производительности сетевых архитектур MobileNetV2 и EfficientNet на платформе iOS. Несмотря на то, что обе сети хорошо изучены, существует определенный недостаток эмпирических данных, когда речь идет о платформе iOS. Приводятся экспериментальные данные по точности и времени вывода, а также объем оперативной памяти, собранной на iPhone X и iPhone 12 Pro. Оценка проводилась с использованием центрального процессора, графического процессора и Neural Engine (только для iPhone 12). Кроме того, для MobileNetV2 проведена полная оценка квантования int8. Описаны проблемы, связанные с квантованием EfficientNet. Показатели оценки и набор данных, используемые для обучения моделей, были предоставлены в рамках конкурса Mobile AI 2021 Real-Time Camera Scene Detection Challenge: https://competitions.codalab.org/competitions/28113․

Հրատարակության վայրը:

Երևան

Հրատարակիչ:

«Պոլիտեխնիկ» տպ.

Տեսակ:

Հոդված

Ձևաչափ:

pdf

Նույնացուցիչ:

DOI 10.53297/0002306X-2021.3.v74-308

Դասիչ:

АЖ 413

Թվայնացում:

ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան

Բնօրինակի գտնվելու վայրը:

ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան