ML Bench

Machine Learning Benchmark Tool (ML Bench) (AI Benchmark Tool)

Supported models :

- MobileNet v1

- MobileNet v2

- Inception v3

- Resnet v2 50

- SSD Mobilenet v1 (Object Detection)

Supported runtime :

- Tensorflow Lite

- Tensorflow Mobile

- Android NN

- SNPE (for Qualcomm)

SideLoad Support:

How to side load your model :

1. Convert your model to tflite (using toco) or dlc (using snpe conversion tool).

2. On your local machine, create [Model Name] directory

3. Copy your model file to the directory created in step 2

4. Create a file called meta-data.json in the [Model Name] directory

example of meta-data.json :

{

"xres" : 299,

"yres" : 299,

"depth" : 3,

"input_type" : "float",

"output_type" : "float",

"input_name" : "input:0",

"output_name" : "InceptionV3/Predictions/Reshape_1:0",

"image_mean" : 0,

"image_std" : 0,

"accelerator":"dsp",

}

5. push [Model Name] directory to the target device using below command

adb push ./[Model Name] /sdcard/Android/data/com.etinum.mlbench/files/models/

ابزار سنجش آموزش ماشین (ML Bench) (ابزار سنجش هوش مصنوعی)

مدل های پشتیبانی شده:

 - MobileNet v1

 - MobileNet v2

 - شروع V3

 - Resnet v2 50

 - SSD Mobilenet v1 (شناسایی شیء)

زمان اجرا پشتیبانی شده:

 - Tensor Flow Lite

 - Tensorflow Mobile

 - آندروید NN

 - SNPE (برای Qualcomm)

پشتیبانی SideLoad:

      چگونه به سمت بارگذاری مدل شما:

1. مدل خود را به tflite (با استفاده از toco) یا dlc (با استفاده از ابزار تبدیل snpe) تبدیل کنید.

2. در دستگاه محلی خود، دایرکتوری [Model Name] را ایجاد کنید

3. فایل مدل خود را به دایرکتوری ایجاد شده در مرحله 2 کپی کنید

4. یک فایل به نام meta-data.json در پوشه [Model Name] ایجاد کنید

مثال از meta-data.json:

{

"xres": 299،

"yres": 299،

"عمق": 3،

"input_type": "شناور"

"output_type": "شناور"

"input_name": "ورودی: 0"،

"output_name": "InceptionV3 / Predictions / Reshape_1: 0"،

"image_mean": 0،

"image_std": 0،

"شتاب دهنده": "DSP"

}

5. دکمه [نام مدل] را به دستگاه هدف با استفاده از فرمان زیر وارد کنید

adb push. / / نام مدل] /sdcard/Android/data/com.etinum.mlbench/files/models/