Options d’amélioration des performances de la démo Multi Camera Multi Target Python
- 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.
- Un grand nombre de pistes coûtait des heures à des jours pour vérifier les pistes.
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).
- POT utilise une optimisation de faible précision qui permet de réduire le temps d’inférence. Le POT ne nécessite pas d’ensemble de données d’apprentissage ou d’un pipeline car le POT peut être appliqué sans recyclage ou ajustement du modèle.
- Reportez-vous à Utiliser l’interface de commande de l’outil d’optimisation post-apprentissage pour la mise en œuvre étape par étape.