Исследователи из Университета Мэриленда и Университета Джона Хопкинса объединились для создания эффективной модели обнаружения объектов.
Устройство получившее название Squeezed Edge YOLO, было разработано для работы на крошечных вычислительных платформах. Как следует из названия, модель была сжата до миниатюрного размера в килобайт, что значительно увеличило энергоэффективность по сравнению с традиционными моделями YOLO, которые были оптимизированы для пограничного машинного обучения.
Чтобы добиться успеха, исследователи сосредоточились на оптимизации своей модели для аппаратной архитектуры GAP8, состоящей из основного микроконтроллера, дополнительного восьмиядерного процессора и ряда аппаратных ускорителей. Они работали над моделью EdgeYOLO, над уменьшением размера входных изображений.
Новый алгоритм был протестирован на паре граничных вычислительных платформ - AI-deck с микроконтроллером GAP8 и NVIDIA Jetson Nano с 4 ГБ оперативной памяти. После обучения модели Squeezed Edge YOLO на более чем 8 000 изображений были оценены возможности по обнаружению объектов. По сравнению с EdgeYOLO новая система работала в 3,3 раза быстрее и при этом потребляла на 76 % меньше энергии. Кроме того, Squeezed Edge YOLO в 8 раз меньше EdgeYOLO.
Возможности новой модели по обнаружению объектов не сильно отличаются от более крупных моделей. Такое сочетание точности и эффективности может позволить использовать Squeezed Edge YOLO в широком спектре автономных транспортных средств в будущем.
Чтобы добиться успеха, исследователи сосредоточились на оптимизации своей модели для аппаратной архитектуры GAP8, состоящей из основного микроконтроллера, дополнительного восьмиядерного процессора и ряда аппаратных ускорителей. Они работали над моделью EdgeYOLO, над уменьшением размера входных изображений.
Новый алгоритм был протестирован на паре граничных вычислительных платформ - AI-deck с микроконтроллером GAP8 и NVIDIA Jetson Nano с 4 ГБ оперативной памяти. После обучения модели Squeezed Edge YOLO на более чем 8 000 изображений были оценены возможности по обнаружению объектов. По сравнению с EdgeYOLO новая система работала в 3,3 раза быстрее и при этом потребляла на 76 % меньше энергии. Кроме того, Squeezed Edge YOLO в 8 раз меньше EdgeYOLO.
Возможности новой модели по обнаружению объектов не сильно отличаются от более крупных моделей. Такое сочетание точности и эффективности может позволить использовать Squeezed Edge YOLO в широком спектре автономных транспортных средств в будущем.