ID del artículo: 000088711 Tipo de contenido: Mantenimiento y desempeño Última revisión: 07/09/2022

Demostración de Python* de múltiples cámaras de destino en OpenVINO™ es lenta cuando se utilizan muchas pistas

BUILT IN - ARTICLE INTRO SECOND COMPONENT
Resumen

Opciones para mejorar el desempeño de la demostración de Python con múltiples cámaras de destino

Descripción
  1. La _compute_mct_distance_matrixfunction en la demostración de Python de múltiples cámaras de objetivo comprueba la distancia de coseno entre cada pista y entre sí en varias cámaras.
  2. Una gran cantidad de canciones costaría horas a días revisar las pistas.
Resolución

Opción 1: Validar el modelo mediante la evaluación del desempeño del modelo en datos no vistos en PyTorch.

  • Utilice la función:
    with torch.no_grad():
    for i,data in enumerate(X_test):
    y_val = model.forward(data) #this function is to grab prediction

  • La función de with torch.no_grad() impactará en el motor de gradiente automático y, en esencia, lo eliminará. El programa no destacará la retroaprovisionamiento, ya que se trata solo de evaluar el modelo, por lo tanto, no hay ningún requisito para cambiar de peso o sesgos, etc. Por lo tanto, ayuda a reducir el uso de la memoria y a acelerar la informática. Sin embargo, esto solo se aplica al conjunto de datos de prueba, pero no al conjunto de datos de entrenamiento.

Opción 2: Acelere la inferencia de modelos de aprendizaje profundo utilizando optimización pos training (POT)..

Productos relacionados

Este artículo se aplica a 1 productos

El contenido de esta página es una combinación de la traducción humana y automática del contenido original en inglés. Este contenido se ofrece únicamente para su comodidad como información general y no debe considerarse completa o precisa. Si hay alguna contradicción entre la versión en inglés de esta página y la traducción, prevalecerá la versión en inglés. Consulte la versión en inglés de esta página.