ID de l'article: 000088711 Type de contenu: Maintenance et performances Dernière révision: 07/09/2022

La démo Multi Camera Multi Target Python* en OpenVINO™ est lente lorsque vous utilisez de nombreuses pistes

BUILT IN - ARTICLE INTRO SECOND COMPONENT
En bref

Options d’amélioration des performances de la démo Multi Camera Multi Target Python

Descriptif
  1. La _compute_mct_distance_matrixfunction de démonstration Multi-Target Python multi-caméra vérifie la distance de cosine entre chaque piste et l’autre à travers plusieurs caméras.
  2. Un grand nombre de pistes coûtait des heures à des jours pour vérifier les pistes.
Résolution

Option 1 : validez le modèle en évaluant les performances du modèle sur des données inédites dans PyTorch.

  • Utilisez la fonction :
    with torch.no_grad():
    for i,data in enumerate(X_test):
    y_val = model.forward(data) #this function is to grab prediction

  • La fonction with torch.no_grad() affecte le moteur de gradient automatique et le désactive essentiellement. Le programme ne souligne pas la rétropropagation, car il s’agit simplement d’évaluer le modèle. Par conséquent, il n’est pas nécessaire de modifier le poids ou les préjugés, etc. Elle permet donc de réduire l’utilisation de la mémoire et d’accélérer le calcul. Cependant, cela ne s’applique qu’à l’ensemble de données du test, mais pas à l’ensemble de données de formation.

Option 2 : Accélérez l’inférence des modèles de deep learning à l’aide de l’optimisation post-apprentissage (POT).

Produits associés

Cet article concerne 1 produits

Le contenu de cette page est une combinaison de traduction humaine et informatique du contenu original en anglais. Ce contenu vous est fourni pour votre commodité et à titre informatif seulement et ne saurait être totalement exact ou complet. En cas de contradiction entre la version anglaise de cette page et la traduction, c'est la version anglaise qui prévaut. Afficher la version anglaise de cette page.