学术巷子 | 来自全球的每日最新论文

自然语言处理

计算机视觉

机器人

cs.AR方向，2024年9月26日更新论文1篇

[1] 在边缘计算设备上对深度学习模型进行目标检测基准测试
标题: Benchmarking Deep Learning Models for Object Detection on Edge Computing Devices
作者: Daghash K. Alqahtani / Aamir Cheema / Adel N. Toosi
原文: [英文]
备注: None
摘要:
现代应用程序，如自动驾驶汽车，需要在资源受限的边缘设备上部署深度学习算法，以实现实时图像和视频处理。然而，对于这些设备上各种目标检测模型的效率和性能的理解仍然有限。在本文中，我们评估了最先进的目标检测模型，包括YOLOv8（Nano、Small、Medium）、EfficientDet Lite（Lite0、Lite1、Lite2）和SSD（SSD MobileNet V1、SSDLite MobileDet）。我们将这些模型部署在流行的边缘设备上，如Raspberry Pi 3、4和5（有/无TPU加速器）以及Jetson Orin Nano，收集了关键性能指标，如能耗、推理时间和平均精度（mAP）。我们的研究结果表明，较低mAP的模型如SSD MobileNet V1在能效和推理速度方面更具优势，而较高mAP的模型如YOLOv8 Medium通常消耗更多能量且推理速度较慢，但在使用TPU等加速器时有例外。在这些边缘设备中，Jetson Orin Nano在请求处理方面表现出最快和最节能的特点，尽管其空闲能耗最高。这些结果强调了在边缘设备上部署深度学习模型时需要在准确性、速度和能效之间取得平衡，为从业者和研究人员在选择模型和设备时提供了宝贵的指导。