En bref
Utilisez l’outil d’optimisation post-apprentissage (POT) pour accélérer l’inférence des modèles de deep learning.
Descriptif
- Formé un modèle YOLOv4 avec des images non carrées à l’aide de PyTorch.
- A converti les poids en fichier ONNX, puis en représentation intermédiaire (IR).
- Impossible de déterminer comment obtenir de meilleures performances d’inférence.
Résolution
L’outil d’optimisation post-apprentissage (POT) est conçu pour accélérer l’inférence des modèles de deep learning en appliquant des méthodes spéciales sans recyclage ou réglage fin du modèle.
- Appliquez les algorithmes de post-apprentissage à partir du POT.
- Reportez-vous à Utiliser l’interface de ligne de commande de l’outil d’optimisation post-apprentissage.
Informations complémentaires
Reportez-vous à La formation sur les images non carrées et à l’inférence de l’en-tête de la prédiférence pour la mise en œuvre d’images non carrées sur le modèle YOLO.