a8-7650k相当于相当于GT740这个级别的独立显卡的性能。这样的核显性能已经非常完善了，而且可以玩大部分的游戏。【【微信】】是AMDAPUA8系列的处理器，插槽为FM2+，核心架构为

a8-7650k相当于相当于GT740这个级别的独立显卡的性能。这样的核显性能已经非常完善了，而且可以玩大部分的游戏。

【【微信】】是AMDAPUA8系列的处理器，插槽为FM2+，核心架构为Kaveri。【【微信】】采用28nm制程工艺，二模块四核心不锁倍频设计，共计十个处理单元（4C+6G），TDP为95W，4MB二级缓存，内存控制器支持DDR3-2133MHz的高性能内存，内置独显核心RadeonR7Graphics，核芯显卡支持HDMI1.4a,DisplayPort1.2,DVI,【【微信】】?技术。基础频率为3.3GHz，动态超频可达3.8GHz，潜力性能强大。

---

YOLOv5 - 游戏本 GTX1070 和 RTX3070 的 AI 性能对比

yolov5权重文件,yolov5是卷积神经网络吗,yolov5损失函数详解,yolov5 github

目录

一、YOLOv5四个模型效果

二、GTX1070 和 RTX3070显卡参数对比

三、GTX1070，HP OMEN Laptop 17-an0xx

1. weights yolov5s.pt

2. 从摄像头采集图像

3. 【【微信】】.pt

4. Train性能

四、RTX3070，ASUS 天选 AIR

1. weights yolov5s.pt

2. 【【微信】】.pt

3. 查看显卡信息

4. 安装CUDA11.2后查看显卡信息

5. Train性能

6. RTX3070性能显示

五、小结

游戏本是做AI学习、训练的一个不错的选择，既可以名正言顺的买来作为生产力工具，也可以顺便玩玩游戏。RTX30系列的显卡一度抢购中，被誉为空气卡，笑称：看得见，买不着！

比起动辄上万的显卡和一万好几的游戏本，华硕天选系列是一款性价比不错的游戏本。春节的时候抢购了一台。

既然作为生产力工具，就要测试一下AI的性能，拿目前比较火的YOLOv5为例，顺便拿几年前的HP OMEN 17游戏本做一个参照。

yolov5按大小分为四个模型yolov5s、yolov5m、yolov5l、yolov5x，这四个模型的表现见下图：

上图为基于5000张COCO 【【微信】】图像进行推理时，每张图像的平均端到端时间，batch size = 32, GPU：Tesla V100（计算能力7.0，拥有 640个Tensor Cores 和 5120个CUDA核心，16GB HBM2以及15TFLOPS的单精度性能），这个时间包括图像预处理，FP16推理，后处理和NMS（非极大值抑制）。 EfficientDet的数据是从 google/automl 仓库得到的（batch size = 8）。

Model	size	APval	APtest	AP50	SpeedV100	FPSV100	params	GFLOPS
YOLOv5s	640	36.8	36.8	55.6	2.2ms	455	7.3M	17.0
YOLOv5m	640	44.5	44.5	63.1	2.9ms	345	21.4M	51.3
YOLOv5l	640	48.1	48.1	66.4	3.8ms	264	47.0M	115.4
YOLOv5x	640	50.1	50.1	68.7	6.0ms	167	87.7M	218.8
YOLOv5x + TTA	832	51.9	51.9	69.6	24.9ms	40	87.7M	1005.3

RTX3070的计算能力是8.6，使用目前最新版的GPU-Z?2.37.0版本，才能正确识别RTX3070的Laptop GPU。

从CUDA核心数来看，ASUS 天选 air 的 RTX3070 Laptop GPU是5120个CUDA核，HP OMEN 17 的 GTX1070并不是Laptop 版本，应该是标准版，是2048核心，RTX3070采用新一代 Ampere 构架，RTX3070的性能应该至少在GTX1070的两倍以上，但是，考虑到GPU的运行频率、所用显存的频率，以及厂家对散热的处理和功率的限制等，性能会有较大出入。

Intel 11代酷睿的集成 Iris Xe 显卡有96个EU，全新的EU集成了8-wide FP/INT ALU8和2-wide extended math ALU。相当于96 * 8=768 个CUDA核心? 从核心数目上来说，跟GeForce MX 350 的 768 个CUDA 核心一样多， 比GeForce MX 450 的 896 个CUDA 核心少。（感觉GPU-Z的数据有点低，不确定是不是新出的GPU还不认识？）

Tflops理论峰值

单精度理论峰值＝ GPU芯片数量＊GPU Boost主频＊核心数量＊单个时钟周期内能处理的浮点计算次数，

单精度理论峰值 ＝ FP32 cores ＊ GPU Boost Clock ＊ 2

Intel 11代酷睿 Iris Xe: 96 * 8 ＊ 1.35GHz ＊ 2 ＝? 2.07?TFlops ？

GeForce MX 450: 896 ＊ 1.575GHz ＊ 2 ＝? 2.8 TFlops

GeForce GTX 1070: 2048?＊ 1.645GHz ＊ 2 ＝ ?6.7?TFlops（惠普OMEN）

GeForce RTX 3060: 3840?＊ 1.525GHz ＊ 2 ＝ ?11.7?TFlops（ASUS天选air，8499元）

GeForce RTX 3070: 5120?＊ 1.390GHz ＊ 2 ＝ ?14.2?TFlops（ASUS天选air，9999元）

详细一点的对比，请参看链接：

RTX30系列游戏本与台式机、云服务器显卡AI计算力对比

(yolov5) C:\yolo\yolov5>python detect.py --source data/images --weights weights/yolov5s.pt --conf 0.25 Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device='', exist_ok=False, img_size=640, iou_thres=0.45, name='exp', project='runs/detect', save_conf=False, save_txt=False, source='data/images', update=False, view_img=False, weights=['weights/yolov5s.pt']) Using torch 1.7.0+cu101 CUDA:0 (GeForce GTX 1070, 8192.0MB)

Fusing layers... Model Summary: 224 layers, 7266973 parameters, 0 gradients, 17.0 GFLOPS image 1/3 C:\yolo\yolov5\data\images\bus.jpg: 640x480 4 persons, 1 buss, Done. (0.014s) image 2/3 C:\yolo\yolov5\data\images\gj.jpg: 480x640 Done. (0.010s) image 3/3 C:\yolo\yolov5\data\images\zidane.jpg: 384x640 2 persons, 1 ties, Done. (0.010s) Results saved to runs\detect\exp4 Done. (0.345s)

图1： bus.jpg

图2：zidane.jpg

(yolov5) C:\yolo\yolov5>python detect.py --source 0 --weights weights/yolov5s.pt --conf 0.25 Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device='', exist_ok=False, img_size=640, iou_thres=0.45, name='exp', project='runs/detect', save_conf=False, save_txt=False, source='0', update=False, view_img=False, weights=['weights/yolov5s.pt']) Using torch 1.7.0+cu101 CUDA:0 (GeForce GTX 1070, 8192.0MB)

Fusing layers... Model Summary: 224 layers, 7266973 parameters, 0 gradients, 17.0 GFLOPS 1/1: 0...? success (640x480 at 30.00 FPS).

0: 480x640 1 persons, Done. (0.585s) 0: 480x640 1 persons, Done. (0.016s) 0: 480x640 1 persons, Done. (0.010s)

(yolov5) C:\yolo\yolov5>python detect.py --source data/images --weights weights/yolov5m.pt --conf 0.25 Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device='', exist_ok=False, img_size=640, iou_thres=0.45, name='exp', project='runs/detect', save_conf=False, save_txt=False, source='data/images', update=False, view_img=False, weights=['weights/yolov5m.pt']) Using torch 1.7.0+cu101 CUDA:0 (GeForce GTX 1070, 8192.0MB)

Fusing layers... Model Summary: 308 layers, 21356877 parameters, 0 gradients, 51.3 GFLOPS image 1/3 C:\yolo\yolov5\data\images\bus.jpg: 640x480 4 persons, 1 buss, Done. (0.023s) image 2/3 C:\yolo\yolov5\data\images\gj.jpg: 480x640 Done. (0.019s) image 3/3 C:\yolo\yolov5\data\images\zidane.jpg: 384x640 2 persons, 1 ties, Done. (0.017s) Results saved to runs\detect\exp7 Done. (0.375s)

(yolov5) C:\yolo\yolov5>python train.py --img 640 --batch 1 --epochs 16 --data data/coco128.yaml --weights weights/yolov5s.pt --nosave --cache Using torch 1.7.0+cu101 CUDA:0 (GeForce GTX 1070, 8192.0MB)

Optimizer stripped from runs rain\exp13\weights\last.pt, 14.8MB Optimizer stripped from runs rain\exp13\weights\best.pt, 14.8MB16 epochs completed in 0.088 hours.

(yolov5) C:\yolo\yolov5>python train.py --img 640 --batch 2 --epochs 16 --data data/coco128.yaml --weights weights/yolov5s.pt --nosave --cache Using torch 1.7.0+cu101 CUDA:0 (GeForce GTX 1070, 8192.0MB)

Optimizer stripped from runs rain\exp15\weights\last.pt, 14.8MB16 epochs completed in 0.050 hours.

--batch 3 以上会报错（显存不够？），所以只能测试--batch 2 以下。

(yolov5) C:\yolo\yolov5>python detect.py --source data/images --weights weights/yolov5s.pt --conf 0.25 Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device='', exist_ok=False, img_size=640, iou_thres=0.45, name='exp', project='runs/detect', save_conf=False, save_txt=False, source='data/images', update=False, view_img=False, weights=['weights/yolov5s.pt']) YOLOv5 ?torch 1.7.1 CUDA:0 (GeForce RTX 3070 Laptop GPU, 8192.0MB)

Fusing layers... Model Summary: 224 layers, 7266973 parameters, 0 gradients, 17.0 GFLOPS image 1/3 C:\yolo\yolov5\data\images\bus.jpg: 640x480 4 persons, 1 bus, Done. (0.036s) image 2/3 C:\yolo\yolov5\data\images\gj.jpg: 480x640 Done. (0.018s) image 3/3 C:\yolo\yolov5\data\images\zidane.jpg: 384x640 2 persons, 1 tie, Done. (0.014s) Results saved to runs\detect\exp24 Done. (0.291s)

(yolov5) C:\yolo\yolov5>python detect.py --source data/images --weights weights/yolov5m.pt --conf 0.25 Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device='', exist_ok=False, img_size=640, iou_thres=0.45, name='exp', project='runs/detect', save_conf=False, save_txt=False, source='data/images', update=False, view_img=False, weights=['weights/yolov5m.pt']) YOLOv5 ?torch 1.7.1 CUDA:0 (GeForce RTX 3070 Laptop GPU, 8192.0MB)

Fusing layers... Model Summary: 308 layers, 21356877 parameters, 0 gradients, 51.3 GFLOPS image 1/3 C:\yolo\yolov5\data\images\bus.jpg: 640x480 4 persons, 1 bus, Done. (0.031s) image 2/3 C:\yolo\yolov5\data\images\gj.jpg: 480x640 Done. (0.016s) image 3/3 C:\yolo\yolov5\data\images\zidane.jpg: 384x640 2 persons, 1 tie, Done. (0.016s) Results saved to runs\detect\exp25 Done. (0.234s)

C:\ProgramData\N【【微信】】\CUDA Samples\v11.0\bin\win64\【【微信】】>deviceQuery.exe deviceQuery.exe Starting...

?CUDA De【【微信】】 (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

【【微信】】: "GeForce RTX 3070 Laptop GPU" ? CUDA Driver Version / Runtime Version ? ? ? ? ?11.2 / 11.0 ? CUDA Capability Major/Minor 【【微信】】: ? ?8.6 ? Total amount of global memory: ? ? ? ? ? ? ? ? 8192 MBytes (8589934592 bytes)【【微信】】.6 is undefined. ?Default to use 64 Cores/SM 【【微信】】.6 is undefined. ?Default to use 64 Cores/SM? (40) 【【微信】】, ( 64) CUDA Cores/MP: ? ? 2560 CUDA Cores ? GPU Max Clock rate: ? ? ? ? ? ? ? ? ? ? ? ? ? ?1290 MHz (1.29 GHz) ? Memory Clock rate: ? ? ? ? ? ? ? ? ? ? ? ? ? ? 6001 Mhz ? Memory Bus Width: ? ? ? ? ?