yolo推理速度计算

根据引用\[1\]中提到的计算公式，对于YOLO系列的推理速度计算，需要考虑卷积层和全连接层的计算量。具体计算公式如下：

对于YOLOX模型：
- YOLOX模型的输入尺寸为416x416，推理速度为63.5ms（使用PyTorch）和14.9ms（使用ONNX）\[3\]。
- YOLOXtiny模型的输入尺寸为416x416，推理速度为88.0ms（使用PyTorch）和26.0ms（使用ONNX）\[3\]。
- YOLOXs模型的输入尺寸为640x640，推理速度为273.5ms（使用PyTorch）和70.6ms（使用ONNX）\[3\]。
- YOLOXx模型的输入尺寸为640x640，推理速度为1607.2ms（使用PyTorch）和528.6ms（使用ONNX）\[3\]。

对于YOLOv5模型：
- YOLOv5s模型的输入尺寸为640x640，推理速度为157ms（使用PyTorch）和58ms（使用ONNX）\[3\]。
- YOLOv5x模型的输入尺寸为640x640，推理速度为998ms（使用PyTorch）和428ms（使用ONNX）\[3\]。

对于Nanodet模型：
- Nanodet_s模型的输入尺寸为320x320，推理速度为54ms（使用PyTorch）和70ms（使用ONNX）\[3\]。
- Nanodet_m模型的输入尺寸为416x416，推理速度为87ms（使用PyTorch）和119ms（使用ONNX）\[3\]。

需要注意的是，以上推理速度是基于特定硬件环境和软件框架的测试结果，实际的推理速度可能会因为不同的硬件设备、软件版本和优化策略而有所不同。
#### 引用[.reference_title]
- *1* [如何计算？参数量、计算量、推理速度](https://blog.csdn.net/lgzlgz3102/article/details/121312977)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* *3* [YOLOX、YOLOv5、Nanodet在PC与嵌入式板Atlas200DK上的推理速度测试](https://blog.csdn.net/qq_41035283/article/details/119150751)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]