Comparison of Benchmark Test Performance on NVIDIA AGX Xavier, Xavier NX and Nano

Comparison of Benchmark Test Performance on NVIDIA AGX Xavier, Xavier NX and Nano

Jetson AGX Xavier | Jetson Nano | Jetson Xavier NX

17 March 2021
NE ÖĞRENECEKSİN?

1-test deposunu klonlama

2-benchmark testini ayarlama

3-Her cihazdaki performansı test etme




ÇEVRE

Donanım 1: Jetson AGX Xavier Geliştirici Kiti

Donanım 2: DSBOX-NX2

Donanım 3: DSBOX-N2

İşletim sistemi 1: JetPack 4.4 (L4T-32.4.3)

İşletim sistemi 2: JetPack 4.5 (L4T-32.5)

OS 3: JetPack 4.5 (L4T-32.5)

Performans Testi Kurulumu


İlk olarak, test ortamımızı github'dan ayarlayalım:


git clone https://github.com/NVIDIA-AI-IOT/jetson_benchmarks.git
cd jetson_benchmarks
mkdir models
sudo sh install_requirements.sh


Şimdi tüm model dosyalarını indirelim:


AGX Xavier için:


python3 utils/download_models.py --all --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --save_dir ${PWD}/models


Xavier için NX:


python3 utils/download_models.py --all --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --save_dir ${PWD}/models


Nano İçin:


python3 utils/download_models.py --all --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --save_dir ${PWD}/models

Jetson AGX Xavier Test sonuçları


Tüm modelleri tek tek test edelim:


sudo python3 benchmark.py --model_name inception_v4 --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --model_dir ${PWD}/models --jetson_devkit xavier --gpu_freq 1377000000 --dla_freq 1395200000 --power_mode 0



sudo python3 benchmark.py --model_name vgg19 --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --model_dir ${PWD}/models --jetson_devkit xavier --gpu_freq 1377000000 --dla_freq 1395200000 --power_mode 0



sudo python3 benchmark.py --model_name super_resolution --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --model_dir ${PWD}/models --jetson_devkit xavier --gpu_freq 1377000000 --dla_freq 1395200000 --power_mode 0



sudo python3 benchmark.py --model_name unet --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --model_dir ${PWD}/models --jetson_devkit xavier --gpu_freq 1377000000 --dla_freq 1395200000 --power_mode 0



sudo python3 benchmark.py --model_name pose_estimation --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --model_dir ${PWD}/models --jetson_devkit xavier --gpu_freq 1377000000 --dla_freq 1395200000 --power_mode 0



sudo python3 benchmark.py --model_name tiny-yolov3 --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --model_dir ${PWD}/models --jetson_devkit xavier --gpu_freq 1377000000 --dla_freq 1395200000 --power_mode 0



cansend can0 123#1122334455667788



sudo python3 benchmark.py --model_name ssd-mobilenet-v1 --csv_file_path ${PWD}/benchmark_csv/xavier-benchmarks.csv --model_dir ${PWD}/models --jetson_devkit xavier --gpu_freq 1377000000 --dla_freq 1395200000 --power_mode 0


Jetson Xavier NX Test sonuçları


Tüm modelleri tek tek test edelim:


sudo python3 benchmark.py --model_name inception_v4 --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode



sudo python3 benchmark.py --model_name vgg19 --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode 2



sudo python3 benchmark.py --model_name super_resolution --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode 2



sudo python3 benchmark.py --model_name unet --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode 2



sudo python3 benchmark.py --model_name pose_estimation --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode 2



sudo python3 benchmark.py --model_name tiny-yolov3 --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode 2



sudo python3 benchmark.py --model_name resnet --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode 2



sudo python3 benchmark.py --model_name ssd-mobilenet-v1 --csv_file_path ${PWD}/benchmark_csv/nx-benchmarks.csv --model_dir ${PWD}/models/ --power_mode 2

Jetson Nano Test Sonuçları


Tüm modelleri tek tek test edelim (fp16 modeli ile):


sudo python3 benchmark.py --model_name inception_v4 --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16



sudo python3 benchmark.py --model_name vgg19 --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16



sudo python3 benchmark.py --model_name super_resolution --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16



sudo python3 benchmark.py --model_name unet --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16



sudo python3 benchmark.py --model_name pose_estimation --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16



sudo python3 benchmark.py --model_name tiny-yolov3 --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16



sudo python3 benchmark.py --model_name tiny-yolov3 --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16



sudo python3 benchmark.py --model_name ssd-mobilenet-v1 --csv_file_path ${PWD}/benchmark_csv/tx2-nano-benchmarks.csv --model_dir ${PWD}/models/ --jetson_devkit nano --gpu_freq 921600000 --power_mode 0 --precision fp16


Sonuçların karşılaştırılması


Blog yazımızı okuduğunuz için teşekkür ederiz. 


Yeni blog gönderileri, ürün lansmanları ve indirimler hakkında bilgi almak istiyorsanız, formu doldurabilir ve bültenimize kaydolabilirsiniz. Kaydolarak, AI, derin öğrenme, makine vizyonu, yüksek hızlı kameralar ve endüstriyel arayüzler hakkında çeşitli blog yayınlarına ulaşabilirsiniz. 


Bir sonraki satın alma işlemi için hemen bir "ücretsiz gönderim" kodu alacaksınız.

Türkçe