14、边缘计算系统中的轻量级行人检测模型与在线评测系统任务推荐

边缘计算系统中的轻量级行人检测模型与在线评测系统任务推荐

边缘计算系统中的轻量级行人检测模型

在边缘设备上部署深度学习模型存在一定困难，为此一些公司为用户提供了软件开发工具包。例如，谷歌发布了 TensorFlow Lite，方便用户在移动和物联网设备上部署深度学习模型；英伟达的 Jetson TX2 开发板配备了软件工具，可用于部署深度学习模型；赛灵思为其边缘开发板发布了深度神经网络开发套件（DNNDK）；适用于英特尔处理器和一些异构芯片的 OpenVINO 工具包，也是将深度学习模型部署到边缘设备的一个选择。

提出的方法

为了公平评估一些知名的基于深度学习的检测模型（如 YOLOv3、SSD、Faster R - CNN 和 RetinaNet）的性能，我们在同一平台上对它们进行了实现和测试。测试环境的具体规格如下表所示：
| 类别 | 详情 |
| ---- | ---- |
| CPU | Intel® Core™ i5 - 7500 3.40 GHz |
| 内存 | 2133 DDR4 16G |
| GPU | RTX 2070 |
| 软件包 | Python 3.6, cuda 10.0, cudnn 7.5, TensorFlow - gpu 1.13.1, Keras 2.2.4, opencv - python 4.1.0, numpy 1.16.2, Torch 1.0.1 |

检测性能在 Caltech 行人数据集上进行测试，并遵循该数据集提供的场景。根据图像中行人的尺度，有四种不同的场景，包括近景（高度 80 像素或以上）、中景（30 到 80 像素之间）、远景（30