Fugu-MT 論文翻訳(概要): Single-Thread JPEG Decoder Benchmarks Mis-Evaluate ML Data Loaders

論文の概要: Single-Thread JPEG Decoder Benchmarks Mis-Evaluate ML Data Loaders

arxiv url: http://arxiv.org/abs/2605.08731v1
Date: Sat, 09 May 2026 06:34:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:49.841815
Title: Single-Thread JPEG Decoder Benchmarks Mis-Evaluate ML Data Loaders
Title（参考訳）: シングルスレッドJPEGデコーダベンチマークはMLデータローダを誤評価する
Abstract要約: ImageNet JPEG decodeは通常のMLインフラストラクチャであるが、Pythonデコーダの選択はシングルプロセス、シングルスレッドのマイクロベンチマークによって正当化されることが多い。 Intel Emerald Rapids, AMD Zen 4, AMD Zen 5, ARM Neoverse V2, ARM Neoverse N1。また,Zen 4 と Zen 5 では作業員数の結論が異なり,厳密な lib-jpeg 系ラッパーは同じレアな ImageNet JPEG を拒絶することがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: JPEG decode is routine ML infrastructure, but Python decoder choices are often justified by single-process, single-thread microbenchmarks. We audit this evaluation assumption with twelve Python-accessible JPEG decode paths on five matched 16 vCPU Google Cloud CPUs: Intel Emerald Rapids, AMD Zen 4, AMD Zen 5, ARM Neoverse V2, and ARM Neoverse N1. ImageNet validation is the workload, not a new dataset contribution: each run decodes the full 50,000-image split from memory and reports single-thread throughput for all decoders, PyTorch DataLoader throughput for eligible decoders at worker counts {0,2,4,8}, and decoder skip behavior. The evaluation protocol changes the supported conclusion. On Neoverse V2, imageio is ninth in single-thread throughput yet lands in the top DataLoader tier with torchvision; on Zen 4, torchvision rises from seventh single-thread to the top measured DataLoader tier; on Neoverse N1, imagecodecs is the single-thread leader but fourth at peak DataLoader throughput. We also find that worker-count conclusions differ between Zen 4 and Zen 5, TensorFlow has a large single-thread ARM penalty, and strict libjpeg-turbo-family wrappers reject the same rare ImageNet JPEG. For PyTorch DataLoader workloads, torchvision and simplejpeg form the strongest measured zero-skip tier: torchvision has the highest mean normalized throughput, while simplejpeg has the highest minimum. OpenCV remains a robust general-purpose fallback above 90% of the platform-local winner on every tested CPU. We release raw JSON, generated tables/figures, and an executable local/cloud benchmark framework.
Abstract（参考訳）: JPEGデコーダは通常のMLインフラストラクチャであるが、Pythonデコーダの選択はシングルプロセス、シングルスレッドのマイクロベンチマークによって正当化されることが多い。 Google Cloud CPUはIntel Emerald Rapids, AMD Zen 4, AMD Zen 5, ARM Neoverse V2, ARM Neoverse N1である。 ImageNetバリデーションは、新しいデータセットのコントリビューションである。各実行では、メモリから5万イメージの分割をデコードし、すべてのデコーダに対してシングルスレッドのスループットをレポートする。評価プロトコルは、支持された結論を変更する。 Neoverse V2では、Imageioはシングルスレッドのスループットで9位、Torchvisionでは7番目のシングルスレッドからトップ測定されたDataLoaderティアに、Imagecodecsはシングルスレッドのリードだがピーク時のDataLoaderスループットでは4位である。また、Zen 4とZen 5では、TensorFlowはシングルスレッドARMペナルティが大きく、厳格なlibjpeg-turbo- Familyラッパーは同じレアなImageNet JPEGを拒否する。 PyTorch DataLoaderワークロードでは、TorchvisionとSimplejpegが最強の0-skipティアを形成している。 OpenCVは、テストされたすべてのCPUにおいて、プラットフォームローカルの勝者の90%を超え、堅牢な汎用的なフォールバックを維持している。生のJSON、生成されたテーブル/フィギュア、および実行可能なローカル/クラウドベンチマークフレームワークをリリースします。

関連論文リスト

SweepLSD: A One-Pass, O(width)-Memory Line Segment Detector with an Integer-Only Streaming Core and a Real-Time FPGA Realization [0.0]
SweepLSDはラインセグメント検出器で、画像を正確に1回読み出し、スキャン線を通過する最後のピクセルの数行以内に各セグメントを出力する。フルHDにダウンスケールされた構造豊富なパブリック4K写真では、CPUスレッドが11ミリ秒でセグメントを検出する。
論文参考訳（メタデータ） (2026-08-22T19:37:47Z)
A Modern Multimodal Assistant on a 6 GB 2011 GPU: Stage-Validated, All-GPU CUDA Inference for Fermi [0.0]
このレポートはハードウェアを維持し、適合するモデルに何ができるかを尋ねる。 SigLIP2エンコーダとウィンドウアテンションマージを組み合わせた,現代的なマルチモーダルアシスタントであるMini-V-4.6をデプロイする。システムは、画像質問のエンドツーエンドを1.7秒で答える。
論文参考訳（メタデータ） (2026-07-16T04:48:44Z)
ShapeCodeBench: A Renewable Benchmark for Perception-to-Program Reconstruction of Synthetic Shape Scenes [1.0152838128195467]
ShapeCodeBenchは、認識からプログラムへの再構築のための総合ベンチマークである。我々は,空のプログラムフロア,古典的コンピュータビジョン評価器,Opus 4.7を高精細度,高精細度,高精細度でGPT-5.5を評価する。
論文参考訳（メタデータ） (2026-05-12T07:39:00Z)
PixelPrune: Pixel-Level Adaptive Visual Token Reduction via Predictive Coding [10.881130305325767]
PixelPruneは、予測符号化ベースの圧縮を通じてピクセルレベルの冗長性を利用する。ピクセルロスレス圧縮と制御された損失圧縮をサポートする。実験の結果、PixelPruneは最大4.2$times$推論のスピードアップを提供しながら、競争力のあるタスクの精度を維持していることがわかった。
論文参考訳（メタデータ） (2026-04-01T13:33:27Z)
JND-Guided Light-Weight Neural Pre-Filter for Perceptual Image Coding [22.105334576351748]
我々は、周波数領域JND-Guidedプレフィルタの統一ベンチマークであるFJNDF-Pytorchを開発し、オープンソース化する。また、新しい軽量畳み込みニューラルネットワーク(CNN)のための完全な学習フレームワークを提案する。我々のモデルは非常に軽量であり、最近の軽量ネットワークのコストの14.1%に過ぎず、1080p画像を処理するのに7.15 GFLOPしか必要としない。
論文参考訳（メタデータ） (2025-10-12T15:05:05Z)
Rawformer: Unpaired Raw-to-Raw Translation for Learnable Camera ISPs [53.68932498994655]
本稿では,多種多様なカメラを用いた生と生の翻訳の未ペアリング学習手法を提案する。特定のカメラが捉えた生画像をターゲットカメラに正確にマッピングし、学習可能なISPを新しい目に見えないカメラに一般化する。提案手法は,従来の最先端技術と比較して精度が高く,実際のカメラデータセットに優れた性能を示す。
論文参考訳（メタデータ） (2024-04-16T16:17:48Z)
MEFLUT: Unsupervised 1D Lookup Tables for Multi-exposure Image Fusion [55.0571315141482]
高品質マルチ露光画像融合(MEF)のための新しいアプローチを提案する。露光の融合重量を1次元ルックアップテーブル(LUT)に符号化できることを示す。露光ごとに1D LUTを学習し、異なる露光から得られるすべてのピクセルが、高品質で効率的な融合のために独立してその露光の1D LUTをクエリできる。
論文参考訳（メタデータ） (2023-09-21T07:43:03Z)
Scaling Up Dataset Distillation to ImageNet-1K with Constant Memory [66.035487142452]
MTT(trajectory-matching-based method)は,ImageNet-1Kなどの大規模データセットに拡張可能であることを示す。メモリフットプリントの6倍の削減を図り,MTTをImageNet-1Kにシームレスにスケールすることができる。 1つのGPU上で、ImageNet-1K上で50 IPC(Image Per Class)までスケールアップできる。
論文参考訳（メタデータ） (2022-11-19T04:46:03Z)
Understanding Image Retrieval Re-Ranking: A Graph Neural Network Perspective [52.96911968968888]
本稿では,GNN(High-parallelism Graph Neural Network)関数として再ランク化が可能であることを示す。 market-1501データセットでは、1k40m gpuで89.2sから9.4msへのリランキング処理を高速化し、リアルタイムのポストプロセッシングを容易にする。
論文参考訳（メタデータ） (2020-12-14T15:12:36Z)
LightSeq: A High Performance Inference Library for Transformers [39.13192008249629]
LightSeqはTransformerモデルのための非常に効率的な推論ライブラリである。 LightSeqには、ニューラルネットワークレイヤの合理化とメモリフットプリント削減のための一連の最適化テクニックが含まれている。
論文参考訳（メタデータ） (2020-10-23T13:45:26Z)
Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
論文参考訳（メタデータ） (2020-09-27T19:24:42Z)
Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition [98.10703825716142]
この研究は、複数のフィルタスケールで入力を処理できるピラミッド畳み込み(PyConv)を導入している。 PyConvをベースとした,画像分類,映像行動分類/認識,オブジェクト検出,意味的画像分割/パーシングの4つの主要なタスクについて,異なるアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-06-20T10:19:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。