BENCHMARK_INFER.md

推理Benchmark

一、环境准备

• 1、测试环境:
  • CUDA 10.1
  • CUDNN 7.6
  • TensorRT-6.0.1
  • PaddlePaddle v2.0.1
  • GPU分别为: Tesla V100和GTX 1080Ti和Jetson AGX Xavier
• 2、测试方式:
  • 为了方便比较不同模型的推理速度，输入采用同样大小的图片，为 3x640x640，采用 demo/000000014439_640x640.jpg 图片。
  • Batch Size=1
  • 去掉前100轮warmup时间，测试100轮的平均时间，单位ms/image，包括网络计算时间、数据拷贝至CPU的时间。
  • 采用Fluid C++预测引擎: 包含Fluid C++预测、Fluid-TensorRT预测，下面同时测试了Float32 (FP32) 和Float16 (FP16)的推理速度。

注意： TensorRT中固定尺寸和动态尺寸区别请参考文档TENSOR教程。由于固定尺寸下对两阶段模型支持不完善，所以faster rcnn模型采用动态尺寸测试。固定尺寸和动态尺寸支持融合的OP不完全一样，因此同一个模型在固定尺寸和动态尺寸下测试的性能可能会有一点差异。

二、推理速度

1、Linux系统

（1）Tesla V100

模型	backbone	是否固定尺寸	入网尺寸	paddle_inference	trt_fp32	trt_fp16
Faster RCNN FPN	ResNet50	否	640x640	27.99	26.15	21.92
Faster RCNN FPN	ResNet50	否	800x1312	32.49	25.54	21.70
YOLOv3	Mobilenet_v1	是	608x608	9.74	8.61	6.28
YOLOv3	Darknet53	是	608x608	17.84	15.43	9.86
PPYOLO	ResNet50	是	608x608	20.77	18.40	13.53
SSD	Mobilenet_v1	是	300x300	5.17	4.43	4.29
TTFNet	Darknet53	是	512x512	10.14	8.71	5.55
FCOS	ResNet50	是	640x640	35.47	35.02	34.24

（2）Jetson AGX Xavier

模型	backbone	是否固定尺寸	入网尺寸	paddle_inference	trt_fp32	trt_fp16
Faster RCNN FPN	ResNet50	否	640x640	169.45	158.92	119.25
Faster RCNN FPN	ResNet50	否	800x1312	228.07	156.39	117.03
YOLOv3	Mobilenet_v1	是	608x608	48.76	43.83	18.41
YOLOv3	Darknet53	是	608x608	121.61	110.30	42.38
PPYOLO	ResNet50	是	608x608	111.80	99.40	48.05
SSD	Mobilenet_v1	是	300x300	10.52	8.84	8.77
TTFNet	Darknet53	是	512x512	73.77	64.03	31.46
FCOS	ResNet50	是	640x640	217.11	214.38	205.78

2、Windows系统

（1）GTX 1080Ti

模型	backbone	是否固定尺寸	入网尺寸	paddle_inference	trt_fp32	trt_fp16
Faster RCNN FPN	ResNet50	否	640x640	50.74	57.17	62.08
Faster RCNN FPN	ResNet50	否	800x1312	50.31	57.61	62.05
YOLOv3	Mobilenet_v1	是	608x608	14.51	11.23	11.13
YOLOv3	Darknet53	是	608x608	30.26	23.92	24.02
PPYOLO	ResNet50	是	608x608	38.06	31.40	31.94
SSD	Mobilenet_v1	是	300x300	16.47	13.87	13.76
TTFNet	Darknet53	是	512x512	21.83	17.14	17.09
FCOS	ResNet50	是	640x640	71.88	69.93	69.52