23、低功耗图像识别系统与高效设备端目标检测模型设计

低功耗图像识别系统与高效设备端目标检测模型设计

低功耗图像识别系统设计

不同目标检测网络对比

在目标检测领域，不同的网络有着各自的特点和性能表现。以下是几种常见网络的对比：
| 网络名称 | 优势 | 劣势 | 最佳流水线配置 | 估计得分情况 |
| ---- | ---- | ---- | ---- | ---- |
| YOLOv2 | - 较易找到最优流水线配置
- FPS相对较高 | mAP相对较低 | - | 估计得分较高 |
| YOLOv4 | mAP表现为当前最优水平 | - 网络规模显著大于YOLOv2，较难找到最优流水线配置
- FPS约为YOLOv2的三分之一 | 选项D（包含四个流水线阶段） | 估计得分远小于YOLOv2，但满足吞吐量约束且精度远高于其他检测器 |
| Tiny YOLOv4 | - mAP性能与YOLOv2相近
- 在GPU上运行速度远快于YOLOv2 | 网络较短，流水线无增益 | - | 估计得分最佳，加速来自多线程和多流 |

实验结果证实了所提出的流水线技术的价值，它能探索给定网络的并行设计空间，同时也凸显了优化后比较网络的重要性。

低功耗图像识别系统设计流程

低功耗图像识别系统的整体设计流程包含五个关键步骤：
1. 选择硬件平台 ：需权衡性能与功耗。在LPIRC 2017和2018中，NVIDIA Jetson TX2板因性能出色且有cuDNN库支持，易于选择。但随着NPU等专用硬件加速器的出现，未来选择最佳硬件平台将更具挑战性，因为不同硬件对不同类型卷