Squeezed Edge YOLO：边缘设备上的板载目标检测
计算机视觉与模式识别
2023-12-20 v1
摘要
由于板载目标检测在自主导航中的关键作用，对其的需求正在增加。然而，由于此类模型的高计算需求，将 YOLO 等目标检测模型部署在资源受限的边缘设备上具有挑战性。本文研究了一种名为 Squeezed Edge YOLO 的压缩目标检测模型。该模型经过压缩和优化，参数量降至千字节级别，以便能够板载部署于此类边缘设备上。为了评估 Squeezed Edge YOLO，使用了两个用例——人体和形状检测——来展示模型的准确性和性能。此外，该模型被板载部署于具有 8 个 RISC-V 核的 GAP8 处理器和具有 4GB 内存的 NVIDIA Jetson Nano 上。实验结果表明，Squeezed Edge YOLO 模型大小优化了 8 倍，从而带来了 76% 的能效提升和 3.3 倍的吞吐量加速。
引用
@article{arxiv.2312.11716,
title = {Squeezed Edge YOLO: Onboard Object Detection on Edge Devices},
author = {Edward Humes and Mozhgan Navardi and Tinoosh Mohsenin},
journal= {arXiv preprint arXiv:2312.11716},
year = {2023}
}
备注
ML with New Compute Paradigms (MLNCP) Workshop at NeurIPS 2023