ML Bench

Machine Learning Benchmark Tool (ML Bench) (AI Benchmark Tool)

Supported models :

- MobileNet v1

- MobileNet v2

- Inception v3

- Resnet v2 50

- SSD Mobilenet v1 (Object Detection)

Supported runtime :

- Tensorflow Lite

- Tensorflow Mobile

- Android NN

- SNPE (for Qualcomm)

SideLoad Support:

How to side load your model :

1. Convert your model to tflite (using toco) or dlc (using snpe conversion tool).

2. On your local machine, create [Model Name] directory

3. Copy your model file to the directory created in step 2

4. Create a file called meta-data.json in the [Model Name] directory

example of meta-data.json :

{

"xres" : 299,

"yres" : 299,

"depth" : 3,

"input_type" : "float",

"output_type" : "float",

"input_name" : "input:0",

"output_name" : "InceptionV3/Predictions/Reshape_1:0",

"image_mean" : 0,

"image_std" : 0,

"accelerator":"dsp",

}

5. push [Model Name] directory to the target device using below command

adb push ./[Model Name] /sdcard/Android/data/com.etinum.mlbench/files/models/

机器学习基准工具（ML Bench）（AI Benchmark Tool）

支持的型号：

  - MobileNet v1

  - MobileNet v2

  - 成立v3

  - Resnet v2 50

  - SSD Mobilenet v1（对象检测）

支持运行时：

  - Tensorflow Lite

  - Tensorflow Mobile

  - Android NN

  - SNPE（适用于Qualcomm）

SideLoad支持：

      如何侧载您的模型：

1.将模型转换为tflite（使用toco）或dlc（使用snpe转换工具）。

2.在本地计算机上，创建[Model Name]目录

3.将模型文件复制到步骤2中创建的目录

4.在[Model Name]目录中创建名为meta-data.json的文件

meta-data.json的例子：

{

“xres”：299，

“yres”：299，

“深度”：3，

“input_type”：“浮动”，

“output_type”：“浮动”，

“input_name”：“input：0”，

“output_name”：“InceptionV3 / Predictions / Reshape_1：0”，

“image_mean”：0，

“image_std”：0，

“加速器”：“DSP”

}

5.使用以下命令将[Model Name]目录推送到目标设备

adb push ./[Model Name] /sdcard/Android/data/com.etinum.mlbench/files/models/