![[personal profile]](https://www.dreamwidth.org/img/silk/identity/user.png){kind=small}
vak(отсюда)
Есть такое популярное семейство моделей, называется YOLO («You Only Look Once»). Применяется для обнаружения объектов в приложениях физического ИИ. Давайте сравним наш чип (Modalix) с ближайшим конкурентом на этих моделях.
Начнём с производительности. Modalix YOLOv8n работает со скоростью 1414 кадров в секунду (FPS). Это в 5 раз быстрее, чем NVIDIA Jetson Orin NX. Это означает более отзывчивые роботы, улучшенные системы обнаружения изображений для промышленного мониторинга и более быструю обработку многокамерных изображений в режиме реального времени. Тестировалось при разрешении 640×640 с квантованием int8.
Проверим энергоэффективность. Запустим сразу 16 видеопотоков. Обнаружение объектов YOLOv8n работает со скоростью 102 кадра в секунду на ватт, что в 3.7 раза выше чем NVIDIA Jetson Orin NX. Это означает, что можно масштабировать систему до большего количества потоков без превышения лимитов тепловыделения.
Хорошо, но сравнение выходит несколько неравноправное. Конкуренты производят так называемые ML ускорители. То есть платы, вставляющиеся в большой компьютер, выполняющий кучу функций: захват и декодирование видео, предобработка видео (VMS) и пост бизнес-логика. У нас же законченный компьютер кристалле: встроеный многоядерный микропроцессор Arm A65. Давайте учтём мощность внешнего хоста, как разницу между потреблением энергии в режиме ожидания и при активной обработке. Сравним также с Axelera и Hailo.
А что с точностью? Ведь важно не только как шустро, но и как качественно нейронная сеть работает. Проверяем: всё отлично.
Семейство моделей YOLO развивается: v4, v5, v7, v8, v9, v11, v12, X. Проверим, например, YOLOv11n. Всё так же неплохо: Modalix опережает NVIDIA Jetson Orin NX почти в 5 раз.
А всё почему? Процессор, специально разработанный для вычислений в моделях машинного обучения, эффективнее чем переориентированный GPU.
Есть такое популярное семейство моделей, называется YOLO («You Only Look Once»). Применяется для обнаружения объектов в приложениях физического ИИ. Давайте сравним наш чип (Modalix) с ближайшим конкурентом на этих моделях.
Начнём с производительности. Modalix YOLOv8n работает со скоростью 1414 кадров в секунду (FPS). Это в 5 раз быстрее, чем NVIDIA Jetson Orin NX. Это означает более отзывчивые роботы, улучшенные системы обнаружения изображений для промышленного мониторинга и более быструю обработку многокамерных изображений в режиме реального времени. Тестировалось при разрешении 640×640 с квантованием int8.
Проверим энергоэффективность. Запустим сразу 16 видеопотоков. Обнаружение объектов YOLOv8n работает со скоростью 102 кадра в секунду на ватт, что в 3.7 раза выше чем NVIDIA Jetson Orin NX. Это означает, что можно масштабировать систему до большего количества потоков без превышения лимитов тепловыделения.
Хорошо, но сравнение выходит несколько неравноправное. Конкуренты производят так называемые ML ускорители. То есть платы, вставляющиеся в большой компьютер, выполняющий кучу функций: захват и декодирование видео, предобработка видео (VMS) и пост бизнес-логика. У нас же законченный компьютер кристалле: встроеный многоядерный микропроцессор Arm A65. Давайте учтём мощность внешнего хоста, как разницу между потреблением энергии в режиме ожидания и при активной обработке. Сравним также с Axelera и Hailo.
А что с точностью? Ведь важно не только как шустро, но и как качественно нейронная сеть работает. Проверяем: всё отлично.
Семейство моделей YOLO развивается: v4, v5, v7, v8, v9, v11, v12, X. Проверим, например, YOLOv11n. Всё так же неплохо: Modalix опережает NVIDIA Jetson Orin NX почти в 5 раз.
А всё почему? Процессор, специально разработанный для вычислений в моделях машинного обучения, эффективнее чем переориентированный GPU.
no subject
Date: 2025-10-27 03:51 (UTC)