Artikel-ID: 000088711 Inhaltstyp: Wartung und Leistung Letzte Überprüfung: 07.09.2022

Multi-Kamera Multi-Target Python* Demo in OpenVINO™ ist langsam, wenn viele Tracks verwendet werden

BUILT IN - ARTICLE INTRO SECOND COMPONENT
Zusammenfassung

Optionen zur Verbesserung der Leistung der Multi Camera Multi Target Python Demo

Beschreibung
  1. Die _compute_mct_distance_matrixfunction in der Multi-Camera Multi-Target Python Demo überprüft den Cosine-Abstand zwischen jeder und jeder Schiene über mehrere Kameras hinweg.
  2. Eine große Anzahl von Schienen würde Stunden bis Tage kosten, um die Schienen zu überprüfen.
Lösung

Option 1: Validieren Sie das Modell, indem Sie die Modellleistung auf nicht sichtbare Daten in PyTorch evaluieren.

  • Verwenden Sie die Funktion:
    with torch.no_grad():
    for i,data in enumerate(X_test):
    y_val = model.forward(data) #this function is to grab prediction

  • Die with torch.no_grad() -Funktion wirkt sich auf die Engine mit automatischem Farbverlauf aus und führt im Wesentlichen dazu. Das Programm wird die Zurücksetzung nicht hervorheben, da es nur um die Bewertung des Modells geht, daher gibt es keine Anforderung, Gewicht oder Vorurteile zu ändern usw. Daher hilft es, die Speichernutzung zu reduzieren und die Berechnung zu beschleunigen. Dies gilt jedoch nur für den Testdatensatz, aber nicht für den Schulungsdatensatz.

Option 2: Beschleunigen Sie die Inferenz von Deep-Learning-Modellen mithilfe der Post-Training Optimization (POT).

Zugehörige Produkte

Dieser Artikel bezieht sich auf 1 Produkte

Der Inhalt dieser Seite ist eine Kombination aus menschlicher und computerbasierter Übersetzung des originalen, englischsprachigen Inhalts. Dieser Inhalt wird zum besseren Verständnis und nur zur allgemeinen Information bereitgestellt und sollte nicht als vollständig oder fehlerfrei betrachtet werden. Sollte eine Diskrepanz zwischen der englischsprachigen Version dieser Seite und der Übersetzung auftreten, gilt die englische Version. Englische Version dieser Seite anzeigen.