性能数据

请参考性能测试文档对模型进行测试。

测试环境

• 模型

  • fp32 浮点模型

    • MobileNetV1

    • MobileNetV2

    • MobileNetV3_large_x1_0

    • MobileNetV3_small_x1_0

    • ResNet50

    • SSD_MobileNetV3_large

    • HRNet_w18

  • int8 量化模型

    • MobileNetV1_quant

    • MobileNetV2_quant

    • MobileNetV3_large_x1_0_quant

    • MobileNetV3_small_x1_0_quant

    • ResNet50_quant

    • SSD_MobileNetV3_large_quant

    • HRNet_w18_quant

  • fp32 稀疏化模型

    • MobileNet

    • humanseg

    • picodet

• 测试机器

SOC	骁龙 865	骁龙 855	骁龙 845	骁龙 835	骁龙 625	麒麟 990	麒麟 980	RK3399
设备	Xiaomi MI10	Xiaomi MI9	Xiaomi MI8	Xiaomi mi6	Xiaomi Redmi6 Pro	Huawei Mate 30	Huawei Mate 20	瑞芯微RK3399开发板
CPU	1xA77 @2.84GHz + 3xA77 @2.42GHz + 4xA55 @1.8GHz	1xA76 @2.84GHz + 3xA76 @2.42GHz + 4xA55 @1.78GHz	4xA75 @2.8GHz + 4xA75 @1.7GHz	4xA73 @2.45GHz + 4xA53 @1.9GHz	4xA53 @1.8GHz + 4xA53 @1.6GHz	2xA76 @2.86GHz + 2xA76 @2.09GHz + 4xA55 @1.86GHz	2xA76 @2.6GHz + 2xA76 @1.92Ghz + 4xA55 @1.8Ghz	2xA72 @1.8GHz + 4xA53 @1.4Ghz
GPU	Adreno 650	Adreno 640	Adreno 630	Adreno 540	Adreno 506	16 core Mali-G76	10 core Mali-G76	4 core Mali-T860

• 测试说明

  • Branch: release/v2.11, commit id: 4a3bdbe

  • 使用 Android ndk-r22b，armv7 armv8 编译

  • CPU 线程数设为 1，绑定大核

  • 在 GPU 上运行时，开启了 Auto Tune

  • warmup=20, repeats=600，统计平均时间，单位 ms

  • 输入数据全部设为 1.f

测试数据

fp32 浮点模型测试数据

ARMV8 CPU 数据

运行时精度为 fp32 的性能数据如下：

• 稠密模型的性能数据如下：

模型	骁龙 865	骁龙 855	骁龙 845	骁龙 835	骁龙 625	麒麟 990	麒麟 980	RK3399
MobileNetV1	28.38	29.04	58.70	82.48	143.64	38.22	32.50	103.39
MobileNetV2	18.52	19.37	37.61	53.47	106.17	24.93	22.07	73.37
MobileNetV3_large_x1_0	14.46	15.59	29.55	41.74	96.11	19.38	17.46	63.34
MobileNetV3_small_x1_0	4.73	5.39	9.76	13.45	39.08	6.41	5.85	21.67
ResNet50	160.97	161.13	339.59	484.79	831.62	222.21	190.38	616.68
SSD_MobileNetV3_large	33.62	36.07	69.76	99.88	193.79	46.95	40.87	153.94
HRNet_w18	645.30	694.41	1395.66	2063.99	4717.07	905.07	792.17	3491.22
humanseg	23.10	24.69	50.54	65.09	317.87	31.76	41.67	110.08
picodet	41.32	42.48	101.18	121.82	431.46	56.40	73.70	185.36

• 稀疏模型的性能数据如下：

模型	骁龙 865	骁龙 835	骁龙 625
MobileNetV1	17.04	56.02	173.46
MobileNetV2	12.59	38.53	117.95
MobileNetV3	9.61	29.67	93.34
humanseg	17.04	50.34	287.47
picodet	25.79	75.79	452.29

运行时精度为 fp16 的性能数据如下：

模型	骁龙 865	骁龙 855	骁龙 845	麒麟 990
MobileNetV1	14.83	15.79	29.62	20.69
MobileNetV2	9.31	10.29	19.10	12.34
MobileNetV3_large_x1_0	7.63	8.15	15.77	9.63
MobileNetV3_small_x1_0	2.48	2.90	5.64	3.36
ResNet50	82.00	83.87	166.00	106.65
SSD_MobileNetV3_large	17.78	19.40	36.29	23.62
HRNet_w18	377.88	418.99	812.44	529.34

ARMV7 CPU 数据

运行时精度为 fp32 的性能数据如下：

• 稠密模型的性能数据如下：

模型	骁龙 865	骁龙 855	骁龙 845	骁龙 835	骁龙 625	麒麟 990	麒麟 980	RK3399
MobileNetV1	31.21	33.44	68.04	93.72	147.85	41.18	35.49	116.44
MobileNetV2	21.47	25.79	46.19	64.54	131.05	28.18	25.08	84.09
MobileNetV3_large_x1_0	16.81	19.47	34.80	48.61	102.01	21.96	19.75	66.28
MobileNetV3_small_x1_0	5.44	6.48	11.25	15.44	37.74	7.28	6.73	21.01
ResNet50	177.80	188.07	377.67	519.61	886.98	237.47	203.60	657.27
SSD_MobileNetV3_large	38.02	45.21	82.34	115.40	210.73	52.26	46.02	156.85
HRNet_w18	733.96	839.54	1532.35	2200.64	5029.30	989.71	869.29	3256.20
humanseg	24.68	27.55	78.15	73.19	304.20	35.11	45.69	144.68
picodet	44.90	46.78	112.13	131.64	626.55	61.54	81.52	234.02

• 稀疏模型的性能数据如下：

模型	骁龙 865	骁龙 835	骁龙 625
MobileNetV1	19.47	61.62	179.51
MobileNetV2	13.98	41.59	120.51
MobileNetV3	11.06	31.43	94.93
humanseg	18.95	57.14	276.18
picodet	29.27	81.56	491.77

运行时精度为 fp16 的性能数据如下：

模型	骁龙 865	骁龙 855	骁龙 845	麒麟 990
MobileNetV1	15.81	16.39	58.72	21.04
MobileNetV2	10.59	11.55	25.28	13.96
MobileNetV3_large_x1_0	8.69	9.50	20.01	11.00
MobileNetV3_small_x1_0	3.08	3.55	6.77	4.00
ResNet50	86.62	89.15	289.57	110.00
SSD_MobileNetV3_large	20.03	22.12	48.93	27.03
HRNet_w18	481.79	520.02	1032.48	650.79

GPU 数据

模型	骁龙 865	骁龙 855	骁龙 845	骁龙 835	骁龙 625	麒麟 990	麒麟 980	RK3399
MobileNetV1	6.39	6.41	8.26	10.13	56.04	8.18	15.28	45.94
MobileNetV2	8.96	8.07	7.96	11.49	43.65	9.07	15.83	37.67
MobileNetV3_large_x1_0	9.89	9.30	11.29	16.64	40.58	9.43	14.89	32.57
MobileNetV3_small_x1_0	8.10	6.79	10.13	10.37	19.12	6.59	7.69	18.63
ResNet50	25.22	29.70	39.11	47.65	337.10	36.90	55.54	237.41
SSD_MobileNetV3_large	22.68	30.21	26.58	26.53	129.34	25.14	32.64	102.15

int8 量化模型测试数据

ARMV8 CPU 数据

模型	骁龙 865	骁龙 855	骁龙 845	骁龙 835	骁龙 625	麒麟 990	麒麟 980	RK3399
MobileNetV1_quant	11.18	11.86	44.12	55.57	117.41	14.75	13.58	77.60
MobileNetV2_quant	10.37	11.38	33.45	40.78	83.47	14.14	12.94	56.66
MobileNetV3_large_x1_0_quant	8.03	8.88	24.32	30.57	66.76	10.41	9.57	46.66
MobileNetV3_small_x1_0_quant	2.89	3.29	8.41	10.86	22.83	4.23	3.90	15.83
ResNet50_quant	64.50	66.81	263.17	331.76	690.01	82.07	74.52	473.00
SSD_MobileNetV3_large_quant	20.43	22.71	57.45	73.97	164.65	27.26	25.08	114.71

ARMV7 CPU 数据

模型	骁龙 865	骁龙 855	骁龙 845	骁龙 835	骁龙 625	麒麟 990	麒麟 980	RK3399
MobileNetV1_quant	15.26	16.11	53.71	63.43	129.72	19.86	17.97	85.89
MobileNetV2_quant	16.44	17.96	43.67	53.32	105.39	22.08	19.90	72.77
MobileNetV3_large_x1_0_quant	11.20	12.50	30.72	37.52	76.98	15.19	13.99	51.93
MobileNetV3_small_x1_0_quant	4.27	4.82	10.58	13.23	26.86	5.98	5.51	18.55
ResNet50_quant	75.82	83.01	301.21	360.67	763.98	96.03	85.56	504.01
SSD_MobileNetV3_large_quant	27.64	31.40	73.19	92.01	194.78	36.87	33.25	131.47

华为昇腾 NPU 的性能数据

请参考 Paddle Lite 使用华为昇腾 NPU 预测部署的最新性能数据

华为麒麟 NPU 的性能数据

请参考 Paddle Lite 使用华为麒麟 NPU 预测部署的最新性能数据

瑞芯微 NPU 的性能数据

请参考 Paddle Lite 使用瑞芯微 NPU 预测部署的最新性能数据

晶晨 NPU 的性能数据

请参考 Paddle Lite 使用晶晨 NPU 预测部署的最新性能数据

芯原 TIM-VX 的性能数据

请参考 Paddle Lite 使用芯原 TIM-VX 预测部署的最新性能数据

Android NNAPI 的性能数据

请参考 Paddle Lite 使用 Android NNAPI 预测部署的最新性能数据

联发科 APU 的性能数据

请参考 Paddle Lite 使用联发科 APU 预测部署的最新性能数据

颖脉 NNA 的性能数据

请参考 Paddle Lite 使用颖脉 NNA 预测部署的最新性能数据

英特尔 OpenVINO 的性能数据

请参考 Paddle Lite 使用英特尔 OpenVINO 预测部署的最新性能数据