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/

Outil d'analyse comparative de l'apprentissage machine (analyse ML) (outil d'évaluation AI)

Modèles pris en charge:

 - MobileNet v1

 - MobileNet v2

 - Inception v3

 - Resnet v2 50

 - SSD Mobilenet v1 (détection d'objet)

Runtime pris en charge:

 - Tensorflow Lite

 - Tensorflow Mobile

 - Android NN

 - SNPE (pour Qualcomm)

Support SideLoad:

      Comment charger latéralement votre modèle:

1. Convertissez votre modèle en tflite (en utilisant toco) ou en dlc (en utilisant l’outil de conversion snpe).

2. Sur votre ordinateur local, créez le répertoire [Nom du modèle].

3. Copiez votre fichier de modèle dans le répertoire créé à l'étape 2.

4. Créez un fichier appelé meta-data.json dans le répertoire [Nom du modèle].

exemple de meta-data.json:

{

"xres": 299,

"yres": 299,

"profondeur": 3,

"type_entrée": "float",

"type_sortie": "float",

"nom_entrée": "entrée: 0",

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

"image_mean": 0,

"image_std": 0,

"accélérateur": "dsp",

}

5. Appuyez sur le répertoire [Nom du modèle] sur le périphérique cible à l'aide de la commande ci-dessous.

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

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/