Benchmark LibreYOLO
COCO
Độ chính xác so với kích thước
Mỗi kiến trúc mang lại bao nhiêu độ chính xác với số lượng tham số của nó. Biểu đồ đến từ visionanalysis.org, một dự án song hành với LibreYOLO, nơi các mô hình được đo trên COCO, theo độ trễ trên phần cứng thật và bằng benchmark RF100-VL.
RF100-VL
Những kết quả đó có còn đúng với dữ liệu của bạn không?
Một con số COCO hiếm khi là điểm số cuối cùng bạn đạt được. Nó chỉ gợi ý về điểm số đó, vì hầu hết dự án bắt đầu bằng trọng số được huấn luyện sẵn trên COCO rồi tinh chỉnh từ đó, đồng thời đây là thước đo chung giúp các bài báo có thể so sánh với nhau. Điều đó có giá trị, nhưng không phải thứ bạn thực sự cần.
Thứ bạn cần là khả năng khái quát hóa: liệu kiến trúc, trọng số được huấn luyện sẵn và công thức huấn luyện có còn hiệu quả trên dữ liệu hoàn toàn khác COCO hay không. Vì vậy Roboflow đã xây dựng RF100-VL. Một mô hình đạt điểm bằng cách được huấn luyện lần lượt trên 100 tập dữ liệu thực tế. Có tập đưa cho mô hình hàng nghìn đối tượng trên mỗi ảnh, có tập chỉ cho vài chục ảnh để học. Viên thuốc trên băng chuyền, ảnh X-quang ngực, quân mạt chược, ve Varroa, khói cháy rừng.
Hãy xem đây là một trong nhiều đầu vào khi chọn mô hình, bên cạnh độ trễ, giấy phép và mức độ bạn sẵn sàng vật lộn với mã huấn luyện. Đây không phải bảng xếp hạng để chọn ngay vị trí đầu tiên.
Độ trễ
Có đủ nhanh trên phần cứng của bạn không?
Độ chính xác không thay đổi theo phần cứng. Tốc độ chênh lệch hai bậc độ lớn giữa GPU trung tâm dữ liệu và Raspberry Pi, vì vậy con số duy nhất quan trọng là con số được đo trên bo mạch mà bạn sẽ dùng để triển khai.