Mašīnmācīšanās modeļu izpildes vidu salīdzinājums datorredzes uzdevumiem

Abstract

Šajā pētījumā tiek salīdzinātas mašīnmācīšanās modeļu izpildes vides. TensorFlow, PyTorch un ONNX Runtime tika novērtēti trīs datorredzes uzdevumos: attēlu klasifikācijā, objektu noteikšanā un attēlu ģenerēšanā. Eksperimentos tika izmantotas divas aparatūras konfigurācijas, mērot secinājumu laiku, resursu izmantošanu un modelim specifisku precizitāti, ar koda profilēšanu, lai identificētu veiktspējas vājās vietas. Rezultāti uzrādīja konsekventu modeļa precizitāti visās konfigurācijās, taču secinājumu laiks un resursu izmantošana atšķīrās. PyTorch saskārās ar vājajām vietām tenzoru konvertēšanā un pielāgotā algoritma ieviešanā. TensorFlow izcēlās objektu noteikšanā, savukārt ONNX klēpjdatorā nodrošināja ātrāko secinājumu veikšanu attēlu klasifikācijai un ģenerēšanai. Pētījuma izpildei izmantotais pirmkods atrodas vietnē https://github.com/limzikiki/BachelorCoursePaper.

This study compares Machine Learning model execution environments. TensorFlow, PyTorch, and ONNX Runtime were evaluated on three computer vision tasks: image classification, object detection, and image generation. Experiments used two hardware configurations, measuring inference time, resource utilisation, and accuracy, with code profiling to identify performance bottlenecks. Results showed consistent model accuracy across all setups, but inference time and resource usage varied. PyTorch faced bottlenecks in tensor conversions and the custom algorithm implementation. TensorFlow excelled in object detection, while ONNX on a Laptop delivered the fastest inference for image classification and generation. The source code used for the study execution is located at https://github.com/limzikiki/BachelorCoursePaper.