Procyon® AI Computer Vision Benchmark

Procyon benchmarks are designed for industry, enterprise, and press use, with tests and features created specifically for professional users. The Procyon AI Computer Vision Benchmark was designed and developed with industry partners through the UL Benchmark Development Program (BDP). O Benchmark Development Program é uma iniciativa da UL Solutions que visa criar benchmarks relevantes e imparciais, trabalhando em cooperação com os membros do programa.

MobileNet V3

O MobileNet V3 é um modelo compacto de reconhecimento visual criado especificamente para dispositivos móveis. O benchmark usa o MobileNet V3 para identificar o assunto de uma imagem, usando uma imagem como entrada e gerando uma lista de probabilidades para o conteúdo da imagem. O benchmark usa a grande variante minimalista do MobileNet V3.

Inception V4

O Inception V4 é um modelo de última geração para tarefas de classificação de imagens. Projetado para precisão, é um modelo muito mais amplo e profundo que o MobileNet. O benchmark usa o Inceptiont V4 para identificar o assunto de uma imagem, usando uma imagem como entrada e gerando uma lista de probabilidades para o conteúdo identificado da imagem.

YOLO V3

YOLO, que significa You Only Look Once, é um modelo de detecção de objetos que visa identificar a localização de objetos em uma imagem. O benchmark usa YOLO V3 para produzir caixas delimitadoras em torno de objetos com probabilidades na confiança de cada detecção.

DeepLab V3

O DeepLab é um modelo de segmentação de imagens que visa agrupar os pixels de uma imagem que pertencem à mesma classe de objeto. A segmentação semântica de imagens rotula cada região da imagem com uma classe de objeto. O benchmark usa o MobileNet V2 para extração de recursos, permitindo inferência rápida com pouca diferença de qualidade em comparação com modelos maiores.

Real-ESRGAN

O Real-ESRGAN é um modelo de super-resolução treinado em dados sintéticos para aumentar a resolução de uma imagem, reconstruindo uma imagem de maior resolução a partir de uma contraparte de menor resolução. O modelo usado no benchmark é a variante de imagem geral do Real-ERSGAN e aumenta uma imagem de 250x250 para uma imagem de 1000x1000.

ResNet 50

ResNet 50 é um modelo de classificação de imagem que fornece uma nova maneira de adicionar mais camadas convolucionais com o uso de blocos residuais. O lançamento possibilitou o treinamento de redes neurais profundas antes impossíveis. O benchmark usa o ResNet 50 para identificar assuntos da imagem, gerando uma lista de probabilidades para o conteúdo identificado na imagem.