Skip to main content
NetApp Solutions
La version française est une traduction automatique. La version anglaise prévaut sur la française en cas de divergence.

Plan de test

Contributeurs
PDF

Ce document suit l'Inférence MLPerf v0.7 "code", MLPerf Inférence v1.1 "code", et "règles". Nous avons exécuté des bancs d'essai MLPerf conçus pour l'inférence à la périphérie, comme défini dans le tableau suivant.

De service Tâche Modèle Jeu de données Taille QSL Qualité La contrainte de latence multiflux

Vision

Classification des images

Reset50v1.5

ImageNET (224 x 224)

1024

99 % de FP32

50 ms.

Vision

Détection d'objet (grande taille)

SSD- ResNet34

COCO (1200 x 1200)

64

99 % de FP32

66 ms.

Vision

Détection d'objet (petite taille)

SSD : MobileNetsv1

COCO (300 x 300)

256

99 % de FP32

50 ms.

Vision

Segmentation des images médicales

NON-ET 3D

Brages 2019 (224 x 224 x 160)

16

99 % et 99.9 % du FP32

s/o

Voix

Parole au texte

RNNT

Lirispeech dev-Clean

2513

99 % de FP32

s/o

Langue

Traitement de la langue

BERT

Squad v1.1

10833

99 % de FP32

s/o

Le tableau suivant présente des scénarios de banc d'essai pour Edge.

De service Tâche Scénarios

Vision

Classification des images

Flux unique, hors ligne, flux multiples

Vision

Détection d'objet (grande taille)

Flux unique, hors ligne, flux multiples

Vision

Détection d'objet (petite taille)

Flux unique, hors ligne, flux multiples

Vision

Segmentation des images médicales

Flux unique, hors ligne

Voix

Parole-à-texte

Flux unique, hors ligne

Langue

Traitement de la langue

Flux unique, hors ligne

Nous avons réalisé ces bancs d'essai à l'aide de l'architecture de stockage en réseau développée lors de cette validation et avons comparé les résultats à ceux des exécutions locales sur les serveurs de périphérie préalablement soumis à MLPerf. La comparaison consiste à déterminer l'impact du stockage partagé sur les performances d'inférence.