Jul, 2023

适用于超低功耗边缘系统的灵活且全量化的超轻量级 TinyissimoYOLO

PDF
TL;DR本文介绍了一种超轻量级物体检测网络 TinyissimoYOLO，旨在为功耗为几毫瓦的边缘系统提供高度灵活且完全量化的解决方案，实验结果表明，该模型在不同参数下都表现出较好的性能，并且在多种超低功耗平台上展现出更高的能效和更低的推理延迟。
tinyissimoyoloultra-lightweightobject detectionedge systemspower efficiency
发现论文，激发创造
  • TinyissimoYOLO: 一种量化、低内存占用、适用于低功耗微控制器的小型机器学习目标检测网络

    TinyissimoYOLO 是一种高度灵活、量化、内存高效、超轻量级的目标检测网络，旨在实现毫瓦级嵌入式微控制器上的实时目标检测；通过量化网络架构实现实时目标检测，最多支持 3 个对象检测类，并可用于不同型号的微控制器。

    May, 2023

  • 智能眼镜上的超高效设备端物体检测技术

    本文说明了在智能眼镜中设计和实现利用新型低功耗处理器的小型机器学习算法，以实现持续不间断运行。我们使用两个微控制器和蓝牙低功耗模块为研究平台设计了智能眼镜原型，集成了用于能耗和延迟评估的基于 YOLO 的小型深度学习模型 TinyissimoYOLO，并在原型上进行了评估，结果表明其具有良好的检测精度和能耗性能。

    Nov, 2023

  • 小型 SSD：一个用于实时嵌入式对象检测的小型单次拍摄检测深度卷积神经网络

    本文提出了一种基于深度卷积神经网络的实时嵌入式物体检测算法 Tiny SSD，通过高度优化的非均匀 Fire 子网堆栈和高度优化的非均匀 SSD 辅助卷积特征层，将模型大小控制在 2.3MB (~ 比 Tiny YOLO 小 26 倍) 的情况下，仍然能够在 VOC 2007 上实现 61.3％（比 Tiny YOLO 高 4.2％）的 mean average precision (mAP)，结果表明可以为嵌入式场景设计非常小的深度神经网络体系结构以进行实时物体检测。

    Feb, 2018

  • 边缘实时视觉处理的超低功耗 TinyML 系统

    通过在芯片上存储全部功能和权重，完全消除了离线内存访问的延迟和能耗，并提出了一种应用特定的指令集，以实现敏捷开发和快速部署。实验表明，基于该模型、NCP 和指令集的 TinyML 系统在实现物体检测和识别时，取得了可观的准确度，并实现了纪录级的超低功耗，只有 160mW。

    Jul, 2022

  • 压缩型边缘 YOLO：边缘设备上的目标检测

    压缩的物体检测模型 Squeezed Edge YOLO 被优化以适配资源受限的边缘设备，并通过两个用例展示了模型的准确性和性能。实验结果表明，Squeezed Edge YOLO 模型的尺寸优化了 8 倍，导致能效提高 76% 并且速度提高 3.3 倍。

    Dec, 2023

  • 基于轻量级 YOLO7-tiny 的快速车辆检测算法

    本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法，该算法的宽度为 0.5，而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度，进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时，引入坐标注意力机制来抑制环境干扰。该算法的实验表明，相较于原有算法，检测速度提高 27FPS，能够有效降低计算复杂度和参数数量，且在多项指标上表现更好，可用于智能交通系统。

    Apr, 2023

  • Q-YOLO：实时目标检测的高效推理

    本研究描述了一种低位量化方法来构建一个高效的单级检测器，称为 Q-YOLO，有利于在资源受限的边缘设备上部署目标检测模型，从而实现减少计算和内存开销的实时检测。

    Jul, 2023

  • 低功耗物体检测的系统级解决方案

    本文提出了一种面向异构嵌入式设备的高效物体检测系统解决方案，其中包括量化网络和专门的加速器，并采用分组数据流策略将计算密集型的卷积操作映射到加速器中以提高效率。研究结果显示，在 512x512 输入大小的实际监控视频中，该系统的推理速度可以达到 18 FPS，功耗仅为 6.9W，并在 PASCAL VOC 2012 数据集上实现了 66.4 的 mAP。

    Sep, 2019

  • YOLOBench: 嵌入式系统上高效目标检测器的基准测试

    通过在 4 个不同的数据集和 4 个不同的嵌入式硬件平台（x86 CPU，ARM CPU，Nvidia GPU，NPU）上进行公平、可控的比较，收集了 550 多个基于 YOLO 的目标检测模型的准确性和延迟数据，并通过帕累托优化分析表明，基于 YOLO 系列的多种架构都可在准确性和延迟之间取得良好的平衡，包括 YOLOv3 和 YOLOv4 等旧模型。在 YOLOBench 上评估了神经架构搜索中的无成本准确性估计器，并证明虽然大多数最先进的零成本准确性估计器被简单的基准（如 MAC 计数）超越，但其中一些可以有效地用于预测帕累托最优的检测模型。通过在树莓派 4 CPU 上使用零成本代理，展示了一种与最先进的 YOLOv8 模型具有竞争力的 YOLO 架构。

    Jul, 2023

  • YOLO-TLA：基于 YOLOv5 的高效轻量级小物体检测模型

    我们在本文中提出了 YOLO-TLA，这是一种基于 YOLOv5 的先进物体检测模型，通过在颈部网络金字塔架构中引入一个额外的检测层来检测小对象，从而提供一个更大尺度的特征图以辨别小对象的更细致特征，并将 C3CrossCovn 模块集成到骨干网络中，有效地减少计算需求和参数数量，使模型更加紧凑

    Feb, 2024