Производительность графического процессора хуже, чем производительность процессора по выводам YOLO ⇐ C#

[Anonymous]

Я использую пакет YoloDotNet NuGet для проверки производительности моделей YOLO. Я провожу это тестирование для своей дипломной работы. Однако я столкнулся с проблемой, когда производительность графического процессора значительно хуже, чем производительность процессора.
Окружающая среда:

• Версия YoloDotNet: v2.0
• ЦП: AMD ryzen 7 7800X3D
• Графический процессор: 4070 супер
• CUDA Версия /cuDNN: cuda 11.8 и cudnn 8.9.7
• Версия .NET: 8

Шаги для воспроизведения:

Код: Выделить всё

var sw = new Stopwatch();
for (var i = 0; i < 500; i++)
{
var file = $@"C:\Users\Utente\Documents\assets\images\input\frame_{i}.jpg";

using var image = SKImage.FromEncodedData(file);
sw.Restart();
var results = yolo.RunObjectDetection(image, confidence: 0.25, iou: 0.7);
sw.Stop();
image.Draw(results);

image.Save(file.Replace("input", $"output_{yolo_version}{version}_{target}").Replace(".jpg", $"_detect_{yolo_version}{version}_{target}.jpg"),
SKEncodedImageFormat.Jpeg);
times.Add(sw.Elapsed.TotalMilliseconds);
Console.WriteLine($"Time taken for image {i}: {sw.Elapsed.TotalMilliseconds:F2} ms");

Вот так я измеряю время обнаружения.
Чтобы загрузить модель, я использую эту настройку в случае с графическим процессором< /p>

Код: Выделить всё

yolo = new Yolo(new YoloOptions
{
OnnxModel = @$"C:\Users\Utente\Documents\assets\model\yolov{yolo_version}{version}_{target}.onnx",
ModelType = ModelType.ObjectDetection,  // Model type
Cuda = true,                           // Use CPU or CUDA for GPU accelerated inference. Default = true
GpuId = 0,                               // Select Gpu by id. Default = 0
PrimeGpu = true,                       // Pre-allocate GPU before first. Default = false
});
Console.WriteLine(yolo.OnnxModel.ModelType);
Console.WriteLine($"Using GPU for version {yolo_version}{version}");

Показатели производительности с использованием yolov8:

Код: Выделить всё

GPU Inference Time:
Total time taken for version m: 25693 ms

Average time per image for version m: 51.25 ms

CPU Inference Time:
Total time taken for version m: 34459.73 ms

Average time per image for version m: 69.74 ms

Я хотел бы опубликовать графики времени, но у меня недостаточно репутации
Проблема проявляется для разных размеров модели. Для удобства визуализации я напечатал только размер m.
Ожидаемое поведение заключается в том, что вывод с использованием графического процессора должен быть быстрее, чем вывод с использованием ЦП.
Но производительность не так высока улучшение использования графического процессора.

Подробнее здесь: https://stackoverflow.com/questions/788 ... inferences