Buenas !
Alguien me pregunto por la performance de un proyecto de customvision.ai ejecutándose en una Raspberry Pi, y se me ocurrió que la mejor forma de explicarlo es mostrar las diferencias de tiempos de respuesta del mismo contenedor en Docker en PC y en una Raspberry Pi.
La PC donde haré la prueba tiene la siguiente configuración
Nota: Se que esto es bastante subjetivo, que para realizar una prueba real debería apuntar otros datos como el tipo de disco (SSD), apps en ejecución y más. La idea es tener un punto de referencia no una comparación completa.
El proceso de ejemplo para analizar 20 imágenes tarda unos 10.45 segundos en PC.
El mismo proceso en una RaspberryPi se ejecuta en 70.46 segundos.
Los tiempos promedio son
- PC, 0.52 segundos
- Raspberry Pi, 3.52 segundos
Y la conclusión es fácil: tener un device que permite analizar imágenes en 3.5 segundos por menos de $30 es impresionante!
Happy coding!
Saludos @ Toronto
El Bruno
References
My Posts
- Object recognition with Custom Vision and ONNX in Windows applications using WinML
- Object recognition with Custom Vision and ONNX in Windows applications using WinML
- Object recognition with Custom Vision and ONNX in Windows applications using Windows ML, drawing frames
- Object recognition with Custom Vision and ONNX in Windows applications using Windows ML, calculate FPS
- Can’t install Docker on Windows 10 Home, need Pro or Enterprise
- Running a Custom Vision project in a local Docker Container
- Analyzing images in a Console App using a Custom Vision project in a Docker Container
- Analyzing images using PostMan from a Custom Vision project hosted in a Docker Container
- Building the CustomVision.ai project in Docker in a RaspberryPi
- Container dies immediately upon successful start in a RaspberryPi. Of course, it’s all about TensorFlow dependencies
- About ports, IPs and more to access a container hosted in a Raspberry Pi
Windows 10 and YOLOV2 for Object Detection Series
- Introduction to YoloV2 for object detection
- Create a basic Windows10 App and use YoloV2 in the camera for object detection
- Transform YoloV2 output analysis to C# classes and display them in frames
- Resize YoloV2 output to support multiple formats and process and display frames per second
- How to convert Tiny-YoloV3 model in CoreML format to ONNX and use it in a Windows 10 App
- Updated demo using Tiny YOLO V2 1.2, Windows 10 and YOLOV2 for Object Detection Series
- Alternatives to Yolo for object detection in ONNX format
El Bruno 
Leave a comment