在Faster R-CNN 中DEMO 的CPU（i5）和GPU（GTX1060 ）时间对比

最新推荐文章于 2021-11-23 16:31:56 发布
最新推荐文章于 2021-11-23 16:31:56 发布
阅读量2.7k 收藏 1
点赞数 1
分类专栏： CUDA Caffe 文章标签： FasterRCNN cuda gpu
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/rzjmpb/article/details/52382403
版权

软硬件环境：

Ubuntu 14.04 64bit
NVIDIA GeForce GTX 1060 6GB
Intel® Core™ i5-6500 CPU @ 3.20GHz × 4
8GB memory
CUDA 8.0
cuDNN 5.0

zf net使用CPU的时间：

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000456.jpg
Detection took 3.800s for 300 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000542.jpg
Detection took 3.013s for 135 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001150.jpg
Detection took 3.423s for 231 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001763.jpg
Detection took 3.215s for 200 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/004545.jpg
Detection took 3.788s for 300 object proposals

zf net使用GPU的时间：

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000456.jpg
Detection took 0.069s for 300 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000542.jpg
Detection took 0.051s for 135 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001150.jpg
Detection took 0.058s for 231 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001763.jpg
Detection took 0.057s for 200 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/004545.jpg
Detection took 0.064s for 300 object proposals

VGG16 net 使用CPU的时间

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000456.jpg
Detection took 17.795s for 300 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000542.jpg
Detection took 15.609s for 161 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001150.jpg
Detection took 16.014s for 194 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001763.jpg
Detection took 15.853s for 196 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/004545.jpg
Detection took 16.921s for 300 object proposals

VGG16 net 使用GPU的时间

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000456.jpg
Detection took 0.162s for 300 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000542.jpg
Detection took 0.132s for 161 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001150.jpg
Detection took 0.148s for 194 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/001763.jpg
Detection took 0.145s for 196 object proposals
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/004545.jpg
Detection took 0.162s for 300 object proposals

结论：

VGG16 差距达到100倍！

Note: CPU只用了一个核心。

RZJM_PB
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
基于Faster-RCNN-TF的gpu运行总结(自己准备数据集)（训练篇）
qq_39531954的博客
12-21 2万+
最近经过一段对tensorflow和faster-rcnn的学习，并且亲身去跑了两个不同框架下的faster-rcnn代码，所以就在这里做一下总结。 这里，我就主要记录一下自己在跑tensorflow框架下的faster-rcnn。 首先，就是硬件要求，因为自己是做计算机图像，目标识别，所以最重要的一个提升效率的装备就是GPU，也就是显卡。现在能在GPU上进行运算，可以让我们的时间成本
Opencv maskrcnn（五）opencv 使用GPU加快速度
YL950305的博客
12-30 1044
文章目录前言1 查看CUDA Capability2 重新编译opencv3 代码修改总结 前言 使用cpu处理一张图需要8s左右，比较慢，本节中调用gpu加快速度 1 查看CUDA Capability 在cuda安装路径中C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0 搜索deviceQuery 在cmd中运行deviceQuery.exe 2 重新编译opencv 在CUDA_ARCH_BIN中加入6.1，其他的不改变，可以在之前
[深度应用]·主流深度学习硬件速度对比（CPU，GPU，TPU）
热门推荐
简明AI工作室
03-15 2万+
主流深度学习硬件速度对比（CPU，GPU，TPU） 个人主页-->http://www.yansongsong.cn 关联阅读： [开发技巧]·PyTorch如何使用GPU加速（CPU与GPU数据的相互转换） [开发技巧]·TensorFlow&KerasGPU 我们基于CNN实现Cifar10 数据集分类把这段相同的代码在不同主流深度学习进行测试，得到...
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。--数据
06-06
基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow 基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow
FastR-CNN / FarsterR-CNN 目标检测
海尔兄弟的博客
12-25 1万+
------------------配置环境   Windows7x64   Matlab2014Ra   VS2013   Opencv2.49  CUDA6.5    GTX970 1.下载 FasterR-CNN程序包   https://github.com/ShaoqingRen                2. 配置 CUDA6.5    下载CUDA6.5，1中的caff
ubuntu16.04 安装配置matlab+python +cuda8.0+cudnn+opencv3.1的caffe环境
auu41657的博客
01-08 174
　　网络上有很多ubuntu上caffe配置环境的帖子，本人照着其中的许多进行了参考，都出现了或多或少的错误，很多地方也有差异。 于是自己整理了下自己的安装过程，成功进行了测试，跑通了faster-rcnn。配置环境时间为2017.1.4 系统ubuntu16.04 一：显卡驱动的安装： 　　由于要使用GPU，所以先要查看自己显卡所匹配的显卡驱动，网址：http://www.nvi...
ubuntu14.04 64位 GTX980显卡配置cuda6.5环境 用来跑cnn(caffe)
机器学习，视觉
06-03 2208
1、  装入ubuntu14.04桌面版系统，各种跟新软件 2、  主板上面选择集成显卡作为首选使用显卡 首先，cpu自带了intel核显，插上GTX980后，开机进入bios界面，选择intel核显作为首选默认显卡，这样暂时使用intel显卡来显示，等后面装上GTX980显卡后，就可以使用intel显卡来显示，GTX980专门用来计算。 3、  安装必要的库 sudo apt-get i
MASK-RCNN - demo测试CPU版 无GPU
qq_31688497的博客
11-09 1571
今天跑了一下maskrcnn的demo，配置了一下环境 环境配置和源码链接：https://gitee.com/kai_hui_tang/MaskRCNN-Keypoint-Demo 几个坑要注意一下：keras最好对应你的TensorFlow版本，我的是1.14.0，keras装了2.15.5 第二个坑是安装git工具官网下载下载安装包之后一直next默认安装就好了 第三个坑是安装VS2015，...
CPU和GPU跑深度学习差别有多大？
喜欢打酱油的老鸟
07-28 1万+
作者：带萝卜 链接：https://www.zhihu.com/question/273812506/answer/1271840613 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 Intel曾经用自己最强的CPU和NVIDIA的GPU做过性能对比。 首先是ResNet-50的推理性能对比： 可见，两块Xeon 9282（五十六核处理器）的性能是与一块V100非常接近的，但是功率却是V100的两倍多。至于价格方面，据说9282的价格在2.5w-5w美元之间.
在OpenCV平台下，比较mask rcnn在GPU 1050ti与CPU r5 3600上的运行效率
m0_62872590的博客
11-23 2686
1050ti运行结果： r5 3600运行结果： 结论：在OpenCV平台下，GPU更适合做神经网络的推理。 疑问：为什么CPU的利用率不能时刻达到95%以上，而是呈现周期性波动，网络内部发生了什么？ ...
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN 的基础网络，ckpt 文件
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
  R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先使用Selective ...
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
02-25
本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
03-25
项目概述：本项目是一个基于Keras框架实现的Faster R-CNN安全帽检测模型，主要用于识别图像中的安全帽穿戴情况。项目代码开源，托管于GitHub（https://github.com/DataXujing/Faster-R-CNN-Keras）。 技术细节： - ...
第五次作业函数第一题代码
05-01
第五次作业函数第一题--
基于深度学习的作物病害诊断内含数据集和运行环境说明.zip
05-01
本项目旨在利用深度学习方法实现作物病害的自动诊断。作物病害是农业生产中的重要问题，及时诊断和处理对于减少产量损失至关重要。 我们采用深度学习算法，通过分析作物的图像，实现对病害的自动识别和分类。项目使用的数据集包括公开的作物病害图像数据集，如ISIC等，并进行了预处理，包括图像增强、分割和特征提取等。 在运行环境方面，我们使用Python编程语言，基于TensorFlow、PyTorch等深度学习框架进行开发。为了提高计算效率，我们还使用了GPU加速计算。此外，我们还采用了Docker容器技术，确保实验结果的可重复性。 项目完成后，将实现对作物病害的快速、准确诊断，为农业生产提供有力支持，有助于减少产量损失。同时，项目成果也可应用于其他图像识别和分类任务。
机械设计CD驱动印刷设备step非常好的设计图纸100%好用.zip
05-01
机械设计CD驱动印刷设备step非常好的设计图纸100%好用.zip
tensorflow-2.7.2-cp37-cp37m-manylinux2010-x86-64.whl
最新发布
05-01
python烟花代码
python烟花代码示例
05-01
附件中是一个简单的烟花效果的代码示例： 在Python中，可以使用多种方式来模拟烟花效果，其中一种常用的方法是使用turtle模块，它提供了一个画布和一个小海龟，可以用来绘制各种图形。 这段代码首先导入了turtle模块和random模块，然后在屏幕上绘制了10次烟花爆炸的效果。每次爆炸都是由5个小圆组成，颜色随机选择，圆的大小也是随机的。 请注意，这段代码需要在支持turtle模块的Python环境中运行，并且需要有图形界面的支持。如果你在没有图形界面的环境中（比如某些服务器或者命令行界面），这段代码可能无法正常运行。
对比mtcnn和faster r-cnn
05-17
MTCNN（Multi-task Cascaded Convolutional Networks）和Faster R-CNN 都是深度学习中常用的目标检测算法，但是它们的设计思想、结构和应用场景有所不同。 MTCNN主要用于人脸检测和人脸关键点检测，在处理速度和准确率上比较优秀。MTCNN是基于级联卷积神经网络的目标检测框架，由三个网络级联组成，分别是P-Net、R-Net和O-Net。P-Net用于生成候选框，R-Net用于筛选候选框，O-Net用于进一步筛选和回归人脸框和关键点位置。 Faster R-CNN主要用于自然场景下的目标检测，在检测准确率和处理速度上比较优秀。Faster R-CNN是基于区域提取网络（RPN）和Fast R-CNN的目标检测框架。RPN主要是用于生成候选框，而Fast R-CNN用于对候选框进行分类和定位。 总之，MTCNN适用于人脸检测和关键点检测，而Faster R-CNN适用于自然场景下的目标检测。两者虽然都是目标检测算法，但是在具体应用场景中需要根据需求选择合适的算法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值