Per chi ha l’esigenza di affrontare task di machine learning e computer vision sul Mac, aggiornare alla nuova architettura Apple Silicon M1 potrebbe valere la pena, se il software necessario è compatibile, ma ci sono anche degli svantaggi: il processore di nuova generazione non è ancora pronto a sostituire una GPU discreta; ad affermarlo è Roboflow, azienda specializzata in computer vision.
Benché Apple abbia annunciato il supporto per il training TensorFlow sul chip Apple Silicon M1, ha evidenziato Roboflow sul proprio blog, la toolchain non è ancora del tutto pronta. Con un po’ di lavoro gli esperti di Roboflow sono ad esempio riusciti a far funzionare Jupyter Notebook su Apple Silicon, ma secondo loro la versione pre-release di TensorFlow per Mac non era ancora pronta per la produzione.
Roboflow ha invece utilizzato Create ML di Apple per eseguire dei benchmark. Secondo la società di computer vision ciò dovrebbe offrire un confronto equo delle prestazioni relative che ci si può aspettare per l’addestramento dei modelli di machine learning una volta che i problemi di compatibilità saranno risolti, nel giro di pochi mesi.
Purtroppo, sottolinea però Roboflow, poiché Create ML non è compatibile con i chip NVIDIA, non può fornire ancora un confronto tra il nuovo M1 e, ad esempio, la 3090 o 2080ti.
Gli esperti di Roboflow si sono pertanto posti l’obiettivo di confrontare le prestazioni di un laptop con Apple Silicon M1 rispetto a macchine della generazione precedente con CPU Intel e GPU AMD Radeon.
Le macchine testate erano un MacBook Pro da 13 pollici con chip Apple Silicon M1 e 8 GB di memoria, un MacBook Pro da 13 pollici (maggio 2020) Quad-Core Intel Core i5 da 1,4 GHz con 16 GB di memoria e Intel Iris Plus Graphics 645 e un MacBook Pro 16” (2019) 8-Core Intel Core i9 da 2,4 GHz (2019) con 64 GB di memoria e AMD Radeon Pro 5500M.
Nel task di rilevamento degli oggetti in Create ML elaborato da Roboflow (qui i dettagli), il Macbook Pro da 13″ equipaggiato con chip Apple Silicon M1 si è comportato significativamente meglio del 13″ Intel Core i5, ma è risultato inferiore al 15″ i9 con la sua GPU discreta Radeon Pro 5500M.
- L’Intel Core i5 ha impiegato 542 minuti per eseguire 5.000 iterazioni (training della CPU).
- L’Apple Silicon M1 ha impiegato 149 minuti per fare lo stesso (8% di utilizzo della GPU).
- L’Intel Core i9 con Radeon Pro ha richiesto 70 minuti (100% di utilizzo della GPU).
Roboflow fa notare che il training non è stato in grado di sfruttare la scheda grafica Intel Iris integrata per accelerare il task, ma è stato in grado di utilizzare parzialmente la scheda grafica integrata in Apple Silicon M1, cosa considerata dalla società di computer vision abbastanza impressionante per un system on a chip.
Purtroppo però, mentre la AMD Radeon è stata in grado di raggiungere il pieno utilizzo al 100% sul MacBook Pro 15″, il processore Apple Silicon M1 non ha mai superato il 10% di utilizzo. Nonostante sia più veloce sulla carta, conclude Roboflow, l’architettura ha ancora bisogno di ulteriori miglioramenti software per sfruttare appieno l’hardware. Apple continua a lavorare attivamente su questo con il port di TensorFlow ottimizzato per Mac e il proprio framework ML Compute.
Il verdetto di Roboflow sulla base di questo benchmark è che il chip Apple Silicon M1 è 3,64 volte più veloce dell’Intel Core i5, ma non utilizza appieno la sua GPU e quindi sottoperforma rispetto all’Intel i9 con una grafica discreta.
Tuttavia, sembra che ci siano ancora significative ottimizzazioni software che Apple può realizzare in Create ML per sfruttare appieno la potenza presente nell’M1 affinché sia in grado di utilizzare del tutto la sua GPU proprio come l’i9, di cui a quel punto, probabilmente, supererà di gran lunga le prestazioni.
Nel contesto di questo tipo di attività, dunque, il processore Apple Silicon M1 sembra essere un’architettura promettente che dovrebbe rivelarsi superiore quando il software sarà stato aggiornato per trarne pienamente vantaggio. Per ora, potrebbe essere meglio aspettare finché le cose non si saranno assestate.
