通过高效超参数分析改进回收分类模型的部署
计算机视觉与模式识别
2021-10-25 v2
摘要
自动化废物分类的范式近来已从传统的图像处理技术转向称为卷积神经网络（CNN）的强大计算机视觉算法。历史上，CNN 在实时分类方面表现出对强大硬件的强烈依赖，然而在较弱的嵌入式设备上部署的需求比以往任何时候都更大。本文提出一种方法，利用 EfficientNets 重构和调整传统图像分类模型，以降低其参数量而不牺牲模型精度，并通过 TensorRT 开发了一条流水线，用于加速此类模型在 NVIDIA Jetson Nano 嵌入式设备上实时运行。训练-部署差异（即数据增强不佳如何导致训练与部署间模型精度的差异）在许多论文中常被忽视，因此本工作进一步通过分析与评估真实世界扰动对部署后模型精度的影响加以扩展。本工作的范围涉及开发协作式回收分类模型 WasteNet 的一个更高效变体。新开发的模型测试集精度为 95.8%，真实世界精度为 95%，较原模型提升 14%。我们的加速流水线将模型吞吐量在 Jetson Nano 上提升了 750%，达到每秒 24 次推理，并通过伺服电机延迟分析验证了系统的实时延迟。
引用
@article{arxiv.2110.11043,
title = {Improving the Deployment of Recycling Classification through Efficient Hyper-Parameter Analysis},
author = {Mazin Abdulmahmood and Ryan Grammenos},
journal= {arXiv preprint arXiv:2110.11043},
year = {2021}
}