#目的
DNNのモデル毎の処理量（GOP = Giga Operations)をまとめる。
1画面（フレーム）あたりの処理量の意味。
正確な情報が必要な場合は、**「情報5」**とかを見られるのがいいと思う。
（「情報1」～「情報4」に比して）
GOP(Giga Operations)
GOPS(Giga Operations per Second)
#DNNのモデル毎の処理量
情報1
文献『AN ANALYSIS OF DEEP NEURAL NETWORK MODELS FOR PRACTICAL APPLICATIONS』を読む。
| model | Gop | 備考 |
|---|---|---|
| MobileNet-v1 | 1.4 | ※目分量の精度悪し |
| MobileNet-v2 | 0.7 | ※目分量の精度悪し |
| AlexNet | 2.2 | ※目分量の精度悪し |
| GoogleNet | 2.5 | ※目分量の精度悪し |
| ResNet-50 | 8.0 | ※目分量の精度悪し |
| VGG19 | 39 | ※目分量の精度悪し |
| VGG16 | 31 | ※目分量の精度悪し |
情報2
資料『JETSON AGX XAVIER AND THE NEW ERA OF AUTONOMOUS MACHINE』を読む
| model | Gop | 備考 |
|---|---|---|
| Image Recognition | ||
| MobileNet | 0.6 | 224x224, 17GOPS@30Hz |
| AlexNet | 0.7 | 227x227, 22GOPS@30Hz |
| GoogleNet | 2 | 224x224, 60GOPS@30Hz |
| ResNet-50 | 4 | 224x224, 120GOPS@30Hz |
| VGG19 | 20 | 224x224, 600GOPS@30Hz |
| Object Detection | ||
| YOLO-v3 | 65 | 416x416, 1,950GOPS@30Hz |
| SSD-VGG | 91 | 512x512, 2,730GOPS@30Hz |
| Faster-RCNN | 172 | 600x850, 5,160GOPS@30Hz |
情報3
文献『From Model to FPGA: Software-Hardware Co-Design for Efficient Neural Network Acceleration』を読む。
| model | Gop | 備考 |
|---|---|---|
| VGG16 Image classification |
30.68 | 13 Conv layers |
| YOLO Tiny General object detection |
5.54 | 9 Conv layers |
| Customized Network Face alignment |
0.1046 ※1 | 9 Conv layers |
| ※1 資料では、104.6 Mop と記載。 |
情報4
文献『Machine learning for embedded deep dive』を読む
| model | Gop | 備考 |
|---|---|---|
| Inception v1 | 3.2 | |
| Tiny Yolov3 | 5.6 | |
| Tiny Yolov2 | 7 | |
| ResNet50 | 7.7 | |
| VGG16 | 30 | |
| Yolov2 | 36 | |
| Yolov3 | 65 | |
| SSD | 117 |
情報5
以下などに沢山情報があります。
#まとめ
特に、なし。
#今後
まだ、単に、情報を集めているレベルです。
コメントなどあれば、お願いします。
#関連(本人)
文献『AN ANALYSIS OF DEEP NEURAL NETWORK MODELS FOR PRACTICAL APPLICATIONS』を読む。
資料『JETSON AGX XAVIER AND THE NEW ERA OF AUTONOMOUS MACHINE』を読む
文献『From Model to FPGA: Software-Hardware Co-Design for Efficient Neural Network Acceleration』を読む。