新树莓派4机器学习性能评测：这个报告有点儿辣眼睛

昨天发了Jetson NANO的一个评测报告后，后台一直有人留言问树莓派4呢。

这周朋友圈都被树莓派4个刷屏了。

好吧，Lady我正好看到一份评测报告，就发到这里跟大家一起来观摩一下：

MobileNet v1 SSD 0.75深度模型和MobileNet v2 SSD模型的基准测试结果以毫秒为单位，均使用COCO数据集的Common Objects 进行训练，输入大小为300×300 。

查看Google的Coral USB加速器的结果时，我们看到了更大的变化。 将USB 3.0添加到Raspberry Pi 4意味着我们看到原始结果与新结果之间的推理速度大约增加了3倍。

相反，当通过USB 2而不是新的USB 3连接时，Coral USB加速器的推理时间实际上增加了×2倍。 这个有点令人惊讶的结果可能是由于对新的Raspberry Pi进行了架构更改。

“这些结果展示了Raspberry Pi 4增加的NEON计算吞吐量，以及在设计中包含一对USB 3.0端口的好处：我们主要用于连接大容量存储设备，所以看到另一个很有意思的应用。“ - Eben Upton，Raspberry Pi基金会创始人

测试

使用单个3888×2916像素的测试图像，其中包含框架中的两个可识别对象，香蕉?和苹果?。 在将图像呈现给每个模型之前，将图像尺寸调整为300×300像素，并且在获得平均推理时间之前模型运行10,000次。 由于TensorFlow模型的加载开销而需要更长时间，所以第一次推理运行时间没计算在内。

MobileNet v1 SSD 0.75深度模型和MobileNet v2 SSD模型的基准测试结果以毫秒为单位，均使用COCO数据集的Common Objects 进行训练，输入大小为300×300 。

在Lady看来，这个测试结果更像是《论Jetson NANO使用TensorRT的重要性》

关于功耗对比

除MacBook Pro外，我们所有平台都采用标称5V输入电源。 然而实际上由于电路板的要求，电压会在一定程度上反弹，大多数USB电源实际上位于+5.1到+ 5.2V左右。 因此，当进行粗略计算以获得功率（以瓦特为单位）时，我通常会将USB电源的电压设为+ 5.15V，因为即使电流快速波动，良好的电源也会尝试并保持所提供的电压在此附近。