Sep, 2023

SATAY: 用于在 FPGA 设备上加速 YOLO 模型的流处理架构工具流

PDF
TL;DR在这篇论文中，我们介绍了一种用于加速 YOLO 模型的流式体系结构工具流 SATAY，通过采用流式体系结构设计和引入新的硬件组件，以适应低延迟应用的需求，我们在 FPGA 设备上实现了实时的边缘物体检测，并展示了与 GPU 设备相比竞争性能和能源特性优势的加速器设计。
aicomputer visionobject detectionyolofpga devices
发现论文，激发创造
  • SMOF：基于智能离线驱逐的 FPGAs 上的流式现代 CNNs

    该论文介绍了一种在计算流水线中引入权重和激活记忆机制的方法，从而扩展了基于流数据架构设计方法中的设计空间，实现了将现代卷积神经网络映射到具有有限芯片内存的设备上。此方法通过在计算流水线中将权重和激活数据驱逐到芯片外存储器中，充分利用计算和内存资源。通过该方法，该论文证明其在计算机视觉任务中具有竞争力，甚至在某些情况下表现出最先进的性能，较以前的方法提高了高达 10.65 倍的吞吐量。

    Mar, 2024

  • 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

  • REQ-YOLO: 面向 FPGA 目标检测的资源感知，高效量化框架

    本文提出了 REQ-YOLO，一种资源感知的系统化权重量化框架，以达到实时、高效实现对象检测的目的。采用块循环矩阵方法和交替方向乘子法，同时提供详细的硬件实现和设计优化，并呈现实验结果证明该框架可以显著压缩 YOLO 模型，同时引入极小的精度降低。

    Sep, 2019

  • LeYOLO，用于目标检测的新型可扩展高效 CNN 架构

    基于 FLOP 的高效目标检测计算的神经网络架构设计选择和优化方法，LeYOLO 提供了在不同资源限制下性能优越的计算负载和准确率比例。

    Jun, 2024

  • fpgaHART: 一种用于将 3D CNNs 加速到 FPGA 上的吞吐量导向的 HAR 工具流

    研究提出一种工具流程，将 3D CNN 模型优化到 FPGA 设备上，采用同步数据流图来模拟设计并引入转换来拓展和探索设计空间，以实现高吞吐量设计。在多个 FPGA 设备上评估了各种 3D CNN 模型，证明了与早期手动调整和特定模型的设计相比，该工具流程具有竞争性的性能。

    May, 2023

  • 快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统

    本文提出了一种名为 Fast YOLO 的新框架，通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入，从而在保持性能的同时，在嵌入式设备上实现实时物体检测。实验结果表明，Fast YOLO 框架可以在平均 3.3 倍的速度加速下，将嵌入式系统上的检测性能提高到 18FPS。

    Sep, 2017

  • 基于 YOLO 的工业 4.0 Fischertechnik 模型环境下的目标检测

    本文以 YOLO 架构为基础，针对 Fischertechnik 工业 4.0 应用中的流程监控展开研究，通过采用不同大小和复杂度的 YOLO 架构以及不同的先前形状分配策略，结合丰富的数据集进行实验，研究结果表明了所提出方法的有效性及所采用的培训和验证策略能够解决该问题天然存在的色彩相关性。

    Jan, 2023

  • YOLOv5, YOLOv8 和 YOLOv10：实时视觉领域首选检测器

    本文综述了 YOLO（You Only Look Once）目标检测算法的演进，着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。

    Jul, 2024

  • 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

  • 自动流程实现压缩卷积神经网络，以实现 FPGA 上的高效边缘计算

    本文研究了一种从训练好的 TensorFlow 模型到基于 FPGA 的二值化卷积神经网络系统的自动流程，并在 Cyclone-V FPGA 设备上实现了二值化的 YOLOV2，通过在目标检测上的实验，证明了与 CPU 和移动 CPU 平台相比，在 FPGA 上进行二值化幻化的模型大小和推理速度都有显著的性能提升。

    Dec, 2017