量化YOLOv4-Tiny在Raspberry Pi 5上的高效边缘部署用于航拍紧急目标检测
计算机视觉与模式识别
2025-06-12 v1
摘要
本文提出并评估了量化YOLOv4-Tiny模型在资源受限边缘设备Raspberry Pi 5上对航拍紧急影像进行实时目标检测的性能。YOLOv4-Tiny模型通过TensorFlow Lite训练后量化技术量化至INT8精度，并在嵌入式部署条件下评估了检测速度、功耗和热可行性。量化模型实现了每张图像28.2 ms的推理时间，平均功耗为13.85 W，与FP32对应模型相比功耗显著降低。检测精度在救护车、警车、消防车和车祸等关键紧急类别上保持稳健。这些结果展示了低功耗嵌入式AI系统在安全关键型紧急响应应用中实时部署的潜力。
引用
@article{arxiv.2506.09300,
title = {Efficient Edge Deployment of Quantized YOLOv4-Tiny for Aerial Emergency Object Detection on Raspberry Pi 5},
author = {Sindhu Boddu and Arindam Mukherjee},
journal= {arXiv preprint arXiv:2506.09300},
year = {2025}
}