config.arm64_v8a

config.xxxhdpi

config.en

Everyone

etinum

Oreo

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/


ML Bench

ML Bench的最新版本

其他版本