为 TinyML 设计目标检测模型：基础、比较分析、挑战与新兴解决方案
计算机视觉与模式识别
2025-08-13 v1
摘要
目标检测 (OD) 已成为众多计算机视觉应用的关键，但将其部署在资源受限的物联网设备上却面临重大挑战。这些通常由高能效微控制器驱动的设备，难以处理基于深度学习的目标检测模型的计算负载。预计到 2030 年将超过 1500 亿的物联网设备快速普及，加剧了这一问题。TinyML 通过在超低功耗设备上实现目标检测，为在边缘进行高效实时处理铺平了道路，从而提供了一个引人注目的解决方案。尽管已有多篇综述论文就此主题发表，但它们往往忽略了在 TinyML 环境中部署目标检测模型所面临的优化挑战。为填补这一空白，本综述论文详细分析了在资源受限设备上部署目标检测模型的关键优化技术。这些技术包括量化、剪枝、知识蒸馏和神经架构搜索。此外，我们探索了理论方法和实际实现，弥合了学术研究与现实世界边缘人工智能部署之间的差距。最后，我们比较了微控制器设备上现有目标检测实现的关键性能指标 (KPI)，突出了这些解决方案在预测准确性和效率方面所达到的成熟度。我们还提供了一个公共仓库，以持续跟踪这一快速发展领域的进展：https://github.com/christophezei/Optimizing-Object-Detection-Models-for-TinyML-A-Comprehensive-Survey。
引用
@article{arxiv.2508.08352,
title = {Designing Object Detection Models for TinyML: Foundations, Comparative Analysis, Challenges, and Emerging Solutions},
author = {Christophe EL Zeinaty and Wassim Hamidouche and Glenn Herrou and Daniel Menard},
journal= {arXiv preprint arXiv:2508.08352},
year = {2025}
}