OS： Arch Linux ARM
ELL：写本文时GitHub中的最新版
TensorFLow: v1.1.0
本文是上一篇文章的续文。
微软于2017年6月底发布了一个主要用于嵌入式系统（例如，树莓派，ARM Cortex-M0等）的机器学习库ELL（Embedded Learning Library，嵌入式学习库）。
在之前的文章中，我大费周章，终于在树莓派上把ELL的demo跑起来了，但它实用吗？在本文中，我将简单地测试一下使用Darknet model的inference速度和精度。
『1』对比对象
我之前在树莓派上安装过了TensorFlow on Raspberry Pi（Inception v3 model），估计不会有哪个framework能比它更容易部署在树莓派上了——几乎是弹指一挥间就可以完成的零成本工作。所以我就拿它来和ELL进行简单的对比。
文章来源：https://www.codelast.com/
『2』测试数据
我随便找了10张常见物体的图片来做测试。有人会说这么少的样本量能说明什么问题？首先我只想简单快速地测试一下ELL的效果，其次我也没有时间去做严谨的测试。
下面是10张图片，序号依次从1～10：
『3』测试结果
- 速度
用图片的平均inference时间来计算速度。Tensorflow的model需要预热，我们在预热之后才开始真正算inference时间。同理，ELL的model加载时间也不计算在内。
文章来源：https://www.codelast.com/
可见，ELL+Darknet model在速度上有明显优势。
- 精度
结果有点失望。按输出中概率最大的那个分类来算，ELL使用Darknet model在10张图片上的inference结果非常糟糕，根据人工判断，5张图片分类明显错误，其余5张算是正确——这就有点尴尬了。而相比之下，TensorFlow使用Inception v3 model的情况则好得多，除了一张分类错误，其余9张基本上都算是得出了“比较正确”的结论。
下面是详细的测试结果：
文章来源：https://www.codelast.com/
即使inference速度再快，如此糟糕的准确度也是完全不能接受的。所以，我觉得，要改变这个结果，恐怕我只能用ELL CNTK VGG model再测试一遍了。正如我前面的文章所说，由于我的Ubuntu台式机性能低下，因此，我在台式机上编译ELL CNTK VGG model代码的时候，由于编译任务占用太多OS资源，被kernel自动kill掉了。不得已，我只能使用轻量级的Darknet model。所以在我当前条件下，暂时只能到这里为止了。
『4』结论
在ELL+Darknet model的速度确实比较快，但由于精度低的问题，ELL+Darknet model还需改进提高。
文章来源：https://www.codelast.com/
➤➤ 版权声明 ➤➤
转载需注明出处：codelast.com
感谢关注我的微信公众号（微信扫一扫）：
