而其简化版 Tiny YOLO V4 更适合嵌入式设备，具有较少的层数和参数。其轻量化特性更适合在资源受限的设备上运行，尤其在低功耗、实时检测的边缘计算设备中表现出色。相比传统 GPU，FPGA 能在小面积和低功耗下实现类似的推理性能，非常契合 AIoT 应用。像米尔 ZU3EG 这样的 FPGA 开发板，通过底板和丰富接口的载...
FPGAGhostNet卷积神经网络针对YOLOv4-Tiny算法复杂度高,计算量和参数量大以及不易在资源较少嵌入式平台部署等问题,提出了一种软硬件联合优化方案.在算法上采用GhostNet残差结构替换原算法残差部分所构建的主干网络,再对网络通道剪枝以对算法进行压缩,改进后的网络相较于YOLOv4-Tiny压缩了97%.为了提高硬件资源效率,对...
实验结果显示,该系统在Zynq KV260平台上的运行功耗仅为3.712 W,单帧推理时间缩短至0.43 s,与现有的FPGA硬件加速器平台相比,实现了更优的性能表现。 关键词:YOLOv4-Tiny;目标检测;卷积神经网络;硬件加速系统;现场可编程门阵列 中图分类号:TP311文献标识码:A 文章编号:1009-3044(2024)10-0011-04...
近年来,随着目标检测算法的快速发展,其模型规模也越来越大,在嵌入式移动端中部署时往往存在着功耗和时延等限制.针对此问题,采用输入输出通道的并行组合策略,数据定点量化,多通道数据传输等硬件加速方法,设计了一种基于FPGA平台的目标检测加速器架构.以YOLOv4-tiny模型算法为例进行硬件加速设计实现,使用输入输出通道并行组...
PPYOLO Tiny:1.3M超超超轻量目标检测算法 在当前移动互联网、物联网、车联网等行业迅猛发展的背景下,边缘设备上直接部署目标检测的需求越来越旺盛。生产线上往往需要在极低硬件成本的硬件例如树莓派、FPGA、K210等芯片上部署目标检测算法。而我们常用的手机App,也很难直接在终端采用超过6M的深度学习算法。
此前雪湖科技的深度学习计算单元已支持Yolo V3和Yolo V3 Tiny的目标检测算法。先于业内适配YOLO v4神经网络，也意味着雪湖目标检测产品阵营再添一员。通过多年积累，雪湖科技已拥有丰富的算子库，可以支持各类稀缺复杂的算子，这也是雪湖能在短时间之内完成最新神经网络适配的原因之一。在算法快速更迭，AI落地场景...
可以使用算法加速技术,如对YOLOV4-Tiny的网络结构进行剪枝和量化,减少算法运算的复杂度,提高运行速度。另外,可以将模型部署在高效的硬件设备上,如GPU或FPGA,以进一步加快实时目标检测的速度。 综上所述,本文提出了一种改进YOLOV4-Tiny算法在雨雾道路环境下实时目标检测的方法。通过数据增强、网络结构优化、图像去模糊和...
(54)发明名称 基于PYNQ的YOLOv4-tiny神经网络加速器及 加速方法 (57)摘要 基于PYNQ的YOLOv4‑tiny神经网络加速器及 加速方法,加速器是将YOLOv4‑tiny神经网络部 署在PYNQ开发平台上;加速方法是:ARM从上位机 获取待处理数据,存入DDR中,同时对寄存器组进 行配置,将配置参数路由到计算模块中,然后将 DDR中待处理...
To address this issue, we propose a fast and low-power multi-object detection system based on the YOLOv4-tiny algorithm and a small-size AXU2CGB platform that utilizes a low-power FPGA for hardware acceleration. By adopting loop tiling to cache feature map blocks, designing an FPGA ...
Yolo v3 Tiny on GPU #1: ./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -i 1 test.mp4 Alternative method Yolo v3 COCO - image: ./darknet detect cfg/yolov4.cfg yolov4.weights -i 0 -thresh 0.25 Train on Amazon EC2, to see mAP & Loss-chart using UR...