基于 YOLOv4 开发用于自主系统嵌入式 GPU 平台部署的压缩目标检测模型
计算机视觉与模式识别
2021-08-03 v1
摘要
最新的基于 CNN 的目标检测模型相当准确，但需要高性能 GPU 才能实时运行。就内存大小和速度而言，它们对内存空间有限的嵌入式系统仍显笨重。由于自主系统的目标检测在嵌入式处理器上运行，最好尽可能压缩检测网络，同时保持检测精度。已有几种流行的轻量检测模型，但其精度对于安全驾驶应用过低。因此，本文提出一种称为 YOffleNet 的新目标检测模型，其以高压缩比压缩，同时最小化精度损失，用于自主系统上的实时安全驾驶应用。骨干网络架构基于 YOLOv4，但我们用更轻的 ShuffleNet 模块替换高计算负载的 CSP DenseNet，从而大幅压缩网络。在 KITTI 数据集上的实验表明，所提 YOffleNet 比 YOLOv4-s 压缩 4.7 倍，在嵌入式 GPU 系统（NVIDIA Jetson AGX Xavier）上可达 46 FPS。相较高压缩比，精度仅轻微降至 85.8% mAP，仅比 YOLOv4-s 低 2.6%。因此，所提网络在自主系统嵌入式系统上用于实时准确目标检测应用展现出高潜力。
引用
@article{arxiv.2108.00392,
title = {Developing a Compressed Object Detection Model based on YOLOv4 for Deployment on Embedded GPU Platform of Autonomous System},
author = {Issac Sim and Ju-Hyung Lim and Young-Wan Jang and JiHwan You and SeonTaek Oh and Young-Keun Kim},
journal= {arXiv preprint arXiv:2108.00392},
year = {2021}
}
备注
in Chinese language