機器視覺成像表現 - Zebra Aurora Vision

Zebra Aurora Vision軟件之工具經受過高級優化，目標位確保其與所使用SSE或者AVX技術現代多核處理器的相容性。下表中顯示對機器視覺性能所進行的基准話分析法之結果。

對視覺軟體所進行的基准話分析法

過濾器	Zebra Aurora Vision Studio 4.12	其他產品	OpenCV 4.2
Image negation	0.030 ms	0.032 ms	0.025 ms
Add two images (pixel by pixel)	0.029 ms	0.047 ms	0.036 ms
Image difference (pixel by pixel)	0.036 ms	0.045 ms	0.030 ms
RGB to HSV conversion (3xUINT8)	0.127 ms	1.026 ms	0.129 ms
Gauss filter 3x3	0.031 ms	0.035 ms	0.037 ms
Gauss filter 5x5	0.033 ms	0.073 ms	0.052 ms
Gauss filter 21x21 (std-dev: 4.3)	0.311 ms	0.355 ms	0.240 ms
Mean filter 21x21	0.100 ms	0.102 ms	0.291 ms
Image erosion 3x3	0.030 ms	0.035 ms	0.050 ms
Image erosion 5x5	0.030 ms	0.036 ms	0.059 ms
Sobel gradient magnitude (sum)	0.032 ms	0.035 ms
Sobel gradient magnitude (hypot)	0.034 ms	0.040 ms
Threshold to region	0.043 ms	0.076 ms
Splitting region into blobs	0.119 ms	0.206 ms
Bilinear image resize	0.131 ms	0.108 ms	0.052 ms

上面的結果對應於640X480分辨率的八位圖像，處理器為Intel Core i5 - 3.2 GHz。為了消除測量錯誤之非隨機部件，每一運算的重復數乘於10三十次，導致下面的重復序列：10、20、30、...、300。接下來，直線擬合到了所接受的運行數。通過該方法，線移動表示與測量開始和中止的恆誤差，同時線斜表示運行事件。為了提升測量的精確性，測試過較大圖像，測試結果后來被歸一化。請注意，來自不同數據庫的函數不一定會造成同樣的輸出數據。

SSE和多核優化

Zebra Aurora Vision Studio的過濾器對SSE/AVX/NEON技術和多核處理器經受過優化。捕獲，通過上述功能所可能達到的加快因素很明顯基於該運算符的規格。經受基於SSE優化后，簡單的逐像素變換就達到內存帶寬的限制。同時，較復雜過濾器，比如高斯平滑過濾器的運行時間常常低於靠C++優化十倍。

CPU基准化分析法

下表表示不同處理器運行我們軟件工具的性能多大（越高越好）。選擇適合於您應用程式時，可以參考下表。

Benchmark category

Overall result

Device description

Executor Engine

Image processing

Image analysis

Region processing

Applications

Intel Atom D525
1.80GHz / 1MB cache / 2 cores / 4 GB RAM

54.9

32.7

41.1

61.7

53.1

48.7

Intel Core 2 Duo T6400
2.00GHz / 2MB cache / 2 cores / 3 GB RAM

54.9

79.4

87.1

108.2

105.4

87.0

Intel Atom E3845
1.91GHz / 2MB cache / 4 cores / 4 GB RAM

100.0

Intel Pentium N4200
1.10 GHz / 2MB cache / 4 cores/ 4 GB RAM

193.5

204.2

157.3

143.6

167.3

173.2

AMD FX-4100 Quad-Core
3.60 GHz / 8MB cache / 4 cores/ 8 GB RAM

112.3

213.4

164.8

218.7

174.6

176.7

AMD Athlon II X2 270
3.40 GHz / 2MB cache / 2 cores/ 8 GB RAM

311.6

136.8

171.6

210.0

212.0

208.4

Intel Core-i7 3612QM
2.10GHz / 6MB cache / 4 cores/ 4 GB RAM

427.8

534.6

303.6

295.9

352.6

382.9

Intel Core-i7 2600K
3.40GHz / 8MB cache / 4 cores/ 8 GB RAM

507.6

593.4

346.8

345.9

393.1

437.4

Intel Core-i5 3470
3.20GHz / 6MB cache / 4 cores/ 16 GB RAM

545.3

628.1

355.1

324.7

403.6

455.0

Intel Core-i5 3570K
3.40GHz / 6MB cache / 4 cores/ 8 GB RAM

554.6

645.5

359.0

360.4

416.5

467.2

Intel Core-i5 4460
3.20GHz / 6MB cache / 4 cores/ 16 GB RAM

611.6

667.6

366.6

356.9

421.3

484.8

Intel Core-i7 4800MQ
2.70GHz / 6MB cache / 4 cores/ 12 GB RAM

628.3

678.7

380.5

378.9

420.8

483.5

Intel Core-i7 6700HQ
2.60GHz / 6MB cache / 4 cores/ 16 GB RAM

641.8

710.0

365.9

366.8

416.3

500.2

Intel Core-i7 4800MQ
2.70GHz / 6MB cache / 4 cores/ 16 GB RAM

640.2

699.1

380.9

378.8

412.6

502.3

Intel Core-i5 6500
3.20GHz / 6MB cache / 4 cores/ 16 GB RAM

663.7

794.0

395.7

390.2

458.1

540.3

Intel Core-i5 7500
3.40GHz / 6MB cache / 4 cores/ 16 GB RAM

684.3

830.1

422.0

406.8

492.6

567.1

Intel Core-i7 4790K
4.00GHz / 8MB cache / 4 cores/ 16 GB RAM

798.2

887.5

474.7

461.1

550.1

634.3

AMD Ryzen 7 2700X
3.70GHz / 20MB cache / 8 cores/ 16 GB RAM

667.9

1407.1

535.9

439.0

419.6

693.9

Intel Core-i7 8700K
3.70GHz / 12MB cache / 6 cores/ 16 GB RAM

862.5

1364.7

587.8

491.3

594.3

780.1

較高值指的是較高性能。
該測試測量恆運算數的運行時間。結果被歸一化。

回到頂部

Deep Learning Benchmark

下表表示執行本司深度學習工具時不同硬件配置的性能（分數越高越好）。在為應用程序選擇硬件時，可以將其用作參考。

Hardware configuration

Deep Learning Network

Overall result

CPU / RAM / GPU / Compute Capability/ NVIDIA Driver

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)

Intel Core-i5 9400F 2,90GHz / 16 GB RAM
GeForce GT 730 2GB / 3.5 / 452.06

35.7

5.7

24.0

6.3

6.9

15.0

7.0

7.4

AMD Ryzen 7 2700X Eight-Core / 16 GB RAM

118.2

30.1

64.3

12.4

13.6

92.7

18.4

20.2

Intel Core-i5 7500 3,40GHz / 16 GB RAM

122.8

26.9

58.2

14.8

13.3

83.9

15.0

20.5

Intel Core-i7 9750H 2,60GHz / 16 GB RAM (Laptop)

58.9

26.6

59.1

18.8

13.6

88.3

16.3

22.6

Intel Core-i7 8700K 3,70GHz / 16 GB RAM

186.0

32.6

75.6

17.6

14.9

102.9

19.1

24.4

Intel Core-i5 9400F 2,90GHz / 16 GB RAM

164.3

34.9

82.6

22.2

18.9

105.3

21.6

29.1

Intel Core-i9 11900KF 3,50GHz / 32 GB RAM

245.5

43.9

70.5

40.3

43.2

172.7

68.6

53.1

Intel Core-i7 9750H 2,60GHz / 16 GB RAM
GeForce RTX 2060 6GB / 7.5 / 445.87 (Laptop)

68.5

135.1

108.5

94.8

85.4

96.5

69.2

96.5

AMD Ryzen 7 2700X Eight-Core / 16 GB RAM
GeForce GTX 1060 6GB / 6.1 / 452.06

102.2

99.1

92.8

102.8

99.5

97.8

100.0

99.6

Intel Core-i5 7500 3,40GHz / 16 GB RAM
GeForce GTX 1060 6GB / 6.1 / 445.87

100.0

Intel Core-i7 8700K 3,70GHz / 16 GB RAM
GeForce GTX 1060 6GB / 6.1 / 452.06

101.6

103.9

90.0

101.0

100.5

96.0

105.8

100.5

Intel Core-i7 8700K 3,70GHz / 32 GB RAM
GeForce GTX 1070 8GB / 6.1 / 452.06

82.7

136.0

90.9

129.6

133.6

106.3

134.6

124.1

Intel Core-i5 7500 3,40GHz / 16 GB RAM
GeForce RTX 2060 6GB / 7.5 / 441.87

102.7

157.7

135.4

142.8

148.8

133.1

134.7

143.3

Intel Core-i5 7500 3,40GHz / 16 GB RAM
GeForce GTX 1080 8GB / 6.1 / 452.06

109.0

158.9

108.4

161.5

167.7

127.3

161.4

150.5

Intel Core-i5 9400F 2,90GHz / 16 GB RAM
GeForce RTX 2060 SUPER 8GB / 7.5 / 452.06

99.4

192.5

167.7

173.8

182.4

155.5

168.6

173.7

Intel Core-i5 9400F 2,90GHz / 16 GB RAM
GeForce RTX 3060Ti 8GB / 8.6 / 465.21

99.7

244.3

201.7

249.8

556.0

172.8

511.7

259.9

Intel Core-i9 11900KF 3,50GHz / 32 GB RAM
GeForce RTX 3070 8GB / 8.6 / 457.51

161.6

276.8

134.3

274.2

569.7

175.8

594.9

270.8

更高的總體結果代表更好的性能。
該測試測量所選深度學習工具的執行時間。結果被歸一化。
回到頂部