Ocularone-Bench：在GPU上对DNN模型进行基准测试以辅助视障人士
分布式、并行与集群计算
2025-04-08 v1
摘要
视障人士（VIP）导航需要多个DNN模型进行识别、姿态分析和深度估计，以确保安全移动。使用危险背心作为唯一标识符可提高可见性，同时选择合适的DNN模型和计算设备可平衡准确性和实时性能。我们提出了Ocularone-Bench，这是一个基准测试套件，旨在解决在拥挤环境中唯一识别个体的精选数据集的缺乏，以及在资源受限的边缘设备上对DNN推理时间进行基准测试的需求。该套件评估了在该数据集上重新训练的YOLO模型的准确性-延迟权衡，并对边缘加速器和高端GPU工作站上的态势感知模型推理时间进行了基准测试。我们在NVIDIA Jetson设备和RTX 4090工作站上的研究表明，检测精度有显著提高，达到高达99.4%的精度，同时还提供了对移动部署实时可行性的见解。除了VIP导航之外，Ocularone-Bench还适用于老年人、儿童和工人安全监控以及其他基于视觉的应用。
引用
@article{arxiv.2504.03709,
title = {Ocularone-Bench: Benchmarking DNN Models on GPUs to Assist the Visually Impaired},
author = {Suman Raj and Bhavani A Madhabhavi and Kautuk Astu and Arnav A Rajesh and Pratham M and Yogesh Simmhan},
journal= {arXiv preprint arXiv:2504.03709},
year = {2025}
}
备注
11 pages, 6 figures, To Appear at the IEEE Workshop on Parallel and Distributed Processing for Computational Social Systems (ParSocial), Co-located with IEEE IPDPS 2025