Tensorflow yolov3 Intel Realsense D435 识别时间测试
2024-05-29 18:54:10
CPU：i75820k
GPU：GTX1080 Ti
内存：32G
测试1：两摄像头并发
耗时：0.1476612091064453秒
耗时：0.18199372291564941秒
耗时：0.1408390998840332秒
耗时：0.15466547012329102秒
耗时：0.15588021278381348秒
耗时：0.13757801055908203秒
耗时：0.1392810344696045秒
耗时：0.15086793899536133秒
耗时：0.1691908836364746秒
耗时：0.16263818740844727秒
耗时：0.16164255142211914秒
耗时：0.16723942756652832秒
耗时：0.17163991928100586秒
耗时：0.14313745498657227秒
耗时：0.1315910816192627秒
耗时：0.14537835121154785秒
识别出目标：object 中心点像素坐标：(144, 386) 实际坐标(mm)：（-189，-153） 深度(mm)：629
耗时：0.15918755531311035秒
识别出目标：object 中心点像素坐标：(180, 430) 实际坐标(mm)：（-154，-200） 深度(mm)：637
耗时：0.14932537078857422秒
识别出目标：object 中心点像素坐标：(204, 452) 实际坐标(mm)：（-132，-227） 深度(mm)：649
耗时：0.16291379928588867秒
识别出目标：object 中心点像素坐标：(161, 285) 实际坐标(mm)：（-246，-72） 深度(mm)：902
耗时：0.161301851272583秒
识别出目标：object 中心点像素坐标：(164, 360) 实际坐标(mm)：（-206，-155） 深度(mm)：772
耗时：0.15513253211975098秒
识别出目标：object 中心点像素坐标：(314, 358) 实际坐标(mm)：（-0，-0） 深度(mm)：0
耗时：0.17418885231018066秒
耗时：0.14577078819274902秒
耗时：0.14300227165222168秒
识别出目标：object 中心点像素坐标：(184, 102) 实际坐标(mm)：（-0，0） 深度(mm)：0
耗时：0.1386270523071289秒
耗时：0.17438721656799316秒
识别出目标：object 中心点像素坐标：(176, 228) 实际坐标(mm)：（-148，7） 深度(mm)：597
识别出目标：object 中心点像素坐标：(326, 96) 实际坐标(mm)：（-3，135） 深度(mm)：598
识别出目标：object 中心点像素坐标：(556, 289) 实际坐标(mm)：（154，-36） 深度(mm)：420
识别出目标：object 中心点像素坐标：(144, 82) 实际坐标(mm)：（-216，179） 深度(mm)：720
测试2：单摄像头
耗时：1575357345.1186445秒
耗时：2.770583391189575秒
耗时：0.06978869438171387秒
耗时：0.06784534454345703秒
耗时：0.08172225952148438秒
耗时：0.065093994140625秒
耗时：0.06818556785583496秒
耗时：0.0635840892791748秒
耗时：0.07923078536987305秒
耗时：0.07038187980651855秒
耗时：0.08802652359008789秒
耗时：0.09339642524719238秒
耗时：0.0735316276550293秒
耗时：0.08741474151611328秒
耗时：0.0949549674987793秒
耗时：0.07268428802490234秒
耗时：0.0650174617767334秒
耗时：0.06364703178405762秒
耗时：0.06748008728027344秒
耗时：0.06401586532592773秒
耗时：0.07677197456359863秒
耗时：0.07408356666564941秒
耗时：0.09382486343383789秒
耗时：0.07433056831359863秒
耗时：0.07271146774291992秒
耗时：0.07709670066833496秒
耗时：0.08652997016906738秒
耗时：0.08112454414367676秒
耗时：0.08704948425292969秒
耗时：0.07069659233093262秒
耗时：0.08378076553344727秒
耗时：0.07184195518493652秒
耗时：0.08111906051635742秒
耗时：0.09629416465759277秒
耗时：0.08626651763916016秒
耗时：0.09256529808044434秒
耗时：0.07312440872192383秒
耗时：0.06805562973022461秒
耗时：0.07895803451538086秒
识别出目标：object 中心点像素坐标：(594, 48) 实际坐标(mm)：（0，0） 深度(mm)：0
耗时：0.08252763748168945秒
耗时：0.07159900665283203秒
识别出目标：object 中心点像素坐标：(576, 76) 实际坐标(mm)：（165，107） 深度(mm)：407
耗时：0.09256792068481445秒
识别出目标：object 中心点像素坐标：(580, 49) 实际坐标(mm)：（167，125） 深度(mm)：407
耗时：0.0913553237915039秒
识别出目标：object 中心点像素坐标：(580, 66) 实际坐标(mm)：（174，119） 深度(mm)：424
耗时：0.07567501068115234秒
识别出目标：object 中心点像素坐标：(578, 97) 实际坐标(mm)：（174，98） 深度(mm)：426
耗时：0.06916999816894531秒
识别出目标：object 中心点像素坐标：(580, 99) 实际坐标(mm)：（175，96） 深度(mm)：425
耗时：0.08999371528625488秒
耗时：0.11209559440612793秒
识别出目标：object 中心点像素坐标：(584, 95) 实际坐标(mm)：（177，99） 深度(mm)：424
耗时：0.08803248405456543秒
识别出目标：object 中心点像素坐标：(587, 95) 实际坐标(mm)：（179，99） 深度(mm)：424
耗时：0.08215022087097168秒
识别出目标：object 中心点像素坐标：(592, 92) 实际坐标(mm)：（184，101） 深度(mm)：426
耗时：0.09901309013366699秒
识别出目标：object 中心点像素坐标：(594, 96) 实际坐标(mm)：（0，0） 深度(mm)：0
耗时：0.07229256629943848秒
识别出目标：object 中心点像素坐标：(597, 103) 实际坐标(mm)：（0，0） 深度(mm)：0
耗时：0.06919622421264648秒
耗时：0.06811118125915527秒
识别出目标：object 中心点像素坐标：(398, 50) 实际坐标(mm)：（60，159） 深度(mm)：520
测试3：两摄像头并行
耗时：1575431173.2914188秒
耗时：2.978811264038086秒
识别出目标：object 中心点像素坐标：(90, 442) 实际坐标(mm)：（-0，-0） 深度(mm)：0
耗时：0.1593484878540039秒
耗时：0.14406132698059082秒
耗时：0.13571715354919434秒
识别出目标：object 中心点像素坐标：(127, 180) 实际坐标(mm)：（-0，0） 深度(mm)：0
耗时：0.14387893676757812秒
耗时：0.12430644035339355秒
耗时：0.1192467212677002秒
耗时：0.14561939239501953秒
识别出目标：object 中心点像素坐标：(125, 406) 实际坐标(mm)：（-0，-0） 深度(mm)：0
耗时：0.14160609245300293秒
识别出目标：object 中心点像素坐标：(142, 395) 实际坐标(mm)：（-0，-0） 深度(mm)：0
耗时：0.13802289962768555秒
耗时：0.11313319206237793秒
耗时：0.11485505104064941秒
识别出目标：object 中心点像素坐标：(222, 170) 实际坐标(mm)：（-0，0） 深度(mm)：0
耗时：0.11291766166687012秒
耗时：0.13906311988830566秒
识别出目标：object 中心点像素坐标：(596, 329) 实际坐标(mm)：（0，-0） 深度(mm)：0
耗时：0.13331007957458496秒
耗时：0.12354922294616699秒
耗时：0.11819601058959961秒
识别出目标：object 中心点像素坐标：(90, 129) 实际坐标(mm)：（-0，0） 深度(mm)：0
耗时：0.11662936210632324秒
识别出目标：object 中心点像素坐标：(107, 124) 实际坐标(mm)：（-0，0） 深度(mm)：0
耗时：0.1151740550994873秒
耗时：0.11417508125305176秒
耗时：0.1181802749633789秒
识别出目标：object 中心点像素坐标：(504, 329) 实际坐标(mm)：（0，-0） 深度(mm)：0
耗时：0.11661458015441895秒
耗时：0.11409449577331543秒
耗时：0.1428077220916748秒
貌似时间要比两摄像头并发要少一点，猜测是否耗时较多的还是utils.draw_bbox函数？
但是网上说python 多线程是假的，这个并行并不是真的并行。
Tensorflow yolov3 Intel Realsense D435 识别时间测试相关推荐
- Tensorflow yolov3 Intel Realsense D435 单摄像头下各模块识别时间测试
文章目录 1.一次循环总耗时 2.从循环开始到self.predict()之前 3.第一次循环主要耗时函数:wait_for_frames()(其实self.predict()函数在第一次循环更耗时) ...
- Tensorflow yolov3 Intel Realsense D435 多进程multiprocessing线程池pool识别时间测试
单摄像头下: 耗时:3.571178674697876秒 耗时:0.0682528018951416秒 耗时:0.07838797569274902秒 耗时:0.08464503288269043秒 ...
- Tensorflow yolov3 Intel Realsense D435 双摄像头下测试python多线程（假的多线程）self.predict()函数运行时间（191204）
测试代码: # -*- coding: utf-8 -*- """ @File : test-191204-两个摄像头调用多线程识别.py @Time : 2019/12 ...
- SQ_20200326_Z-TEK主动式USB-5m延长线对于Intel Realsense D435掉线情况测试
计算机名 摄像头个数 线长 转接线个数 USB线是否连接外接电源 连接USB口 测试开始时间 测试结束时间 测试时长 是否出现无法检测到摄像头情况 备注 微星Z-390主板 DESKTOP-HAJS0 ...
- Tensorfow_yolov3 Intel Realsense D435 图像整合（合并）输入GPU计算耗时测试
以前我们六个摄像头轮询依次输入视频帧给识别函数,识别函数放到GPU计算,640×360下每帧识别耗时为60-80ms,轮一圈下来识别就很慢了,约360-480ms 后来我们讨论这个问题时,我说之前我测 ...
- Intel Realsense D435 测试摄像头在不同曝光值下的帧生成时间（防止曝光时间过长导致fps下降）auto_exposure_priority（没成功）
文章目录 不用测了 下面测试auto_exposure_priority参数在自动曝光下的作用 下面测试在自动曝光模式下如何实时获取曝光值 测试摄像头在不同曝光值下的帧生成时间 不用测了 参考文章:I ...
- yunyang tensorflow-yolov3 Intel Realsense D435 （并发）调用两个摄像头运行识别程序并画框
只是一个测试,测试在并发运行下,同时开启两个摄像头获取视频流并调用识别函数的运行结果,以后在摄像头多的情况下,肯定不能这样,需要批量创建各种对象. 并发,指的是不在多线程的情况下,每个摄像头的视频流送 ...
- devcon的测试 尝试使用devcon命令重置Intel Realsense D435摄像头 USB
文章目录 Devcon概要 测试devcon 输入命令`Devcon find pci\*`,列出所有PCI设备的ID 输入命令`devcon status *`,查看所有设备id devcon dr ...
- Intel Realsense D435 摄像头插入电脑无法监测（识别）的可能原因及解决方案 USB SCP overflow
Intel Realsense D435 摄像头插入电脑无法监测(识别)的可能原因及解决方案 问题描述: 查找解决方案: 1. 是否是shell hardware detection 服务未开启? 2 ...
最新文章
- python语言入门pdf-Python语言入门.pdf
- ML之LiR：基于编程实现简单线性回归案例
- 初识Typescript及vscode环境配置
- 鲁迅散文——狗的驳诘
- Excel和Word 简易工具类，JEasyPoi 2.1.5 版本发布
- 关于 LDTP 操纵 windows 控件。
- 利用SQL语句自动生成序号的两种方式
- 用python画图代码-【Matplotlib】利用Python进行绘图
- python 报错 wxPyDeprecationWarning: Using deprecated class PySimpleApp.
- python语法糖怎么用_程序中的奇技淫巧之语法糖-释然
- cadnaa噪声分析测试软件,德国Cadna/A环境噪声模拟软件系统介绍
- python多态实例_Python多态实例详解
- Linux尖角号符号怎么打出来,六角星号怎么打出来
- AI语音技术的应用与发展前景
- 关于php 调用接口 微信云支付 HmacSha256 加密 request_content 生成 authen_code
- Unity Shader 一 激光特效Shader
- GIF 格式图片的存储和压缩 Node.js实现
- 生命中最美的风景就是曾经遇见了你
- Ibatis.net + Npgsql +PostgreSql 多线程“Timeout while getting a connection from pool.”
- tf.Variable() 和 tf.get_variable()，tf.name_scope() 和 tf.variable_scope()