Fugu-MT 論文翻訳(概要): microYOLO: Towards Single-Shot Object Detection on Microcontrollers

論文の概要: microYOLO: Towards Single-Shot Object Detection on Microcontrollers

arxiv url: http://arxiv.org/abs/2408.15865v1
Date: Wed, 28 Aug 2024 15:29:27 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 15:31:11.293483
Title: microYOLO: Towards Single-Shot Object Detection on Microcontrollers
Title（参考訳）: microYOLO: マイクロコントローラ上でのシングルショットオブジェクト検出を目指す
Authors: Mark Deutel, Christopher Mutschler, Jürgen Teich,
Abstract要約: 我々は,OpenMV H7 R2 などの Cortex-M ベースのマイクロコントローラで使用可能なマイクロYOLOを提案する。 microYOLOは、800KBのFlashと350KBのRAMを使用して、128x128のRGB画像を分類する際に約3.5FPSを達成する。
参考スコア（独自算出の注目度）: 4.590369201835955
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work-in-progress paper presents results on the feasibility of single-shot object detection on microcontrollers using YOLO. Single-shot object detectors like YOLO are widely used, however due to their complexity mainly on larger GPU-based platforms. We present microYOLO, which can be used on Cortex-M based microcontrollers, such as the OpenMV H7 R2, achieving about 3.5 FPS when classifying 128x128 RGB images while using less than 800 KB Flash and less than 350 KB RAM. Furthermore, we share experimental results for three different object detection tasks, analyzing the accuracy of microYOLO on them.
Abstract（参考訳）: 本論文は, YOLOを用いたマイクロコントローラにおける単発物体検出の実現可能性について述べる。 YOLOのような単発のオブジェクト検出器は広く使われているが、その複雑さは主にGPUベースのプラットフォームで使われている。 800KB未満のフラッシュと350KB未満のRAMを使用しながら、128x128 RGBの画像を分類する際に約3.5FPSを達成することができる。さらに,3種類の物体検出タスクの実験結果を共有し,マイクロYOLOの精度を解析した。

関連論文リスト

MCUBench: A Benchmark of Tiny Object Detectors on MCUs [36.77761421733794]
MCUBenchは、7つの異なるMCUにわたるVOCデータセットで評価された100以上のYOLOベースのオブジェクト検出モデルを備えたベンチマークである。このベンチマークは、さまざまな入力解像度とYOLOベースのワンステージ検出器に対する平均精度、レイテンシ、RAM、Flash使用率に関する詳細なデータを提供する。
論文参考訳（メタデータ） (2024-09-27T16:02:56Z)
YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
論文参考訳（メタデータ） (2024-05-23T11:44:29Z)
MODIPHY: Multimodal Obscured Detection for IoT using PHantom Convolution-Enabled Faster YOLO [10.183459286746196]
YOLO Phantomは、史上最小のYOLOモデルのひとつです。 YOLO Phantomは最新のYOLOv8nモデルと同等の精度を実現し、パラメータとモデルサイズを同時に削減する。実際の有効性は、高度な低照度カメラとRGBカメラを備えたIoTプラットフォーム上で実証され、AWSベースの通知エンドポイントにシームレスに接続される。
論文参考訳（メタデータ） (2024-02-12T18:56:53Z)
YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
論文参考訳（メタデータ） (2024-01-30T18:59:38Z)
SATAY: A Streaming Architecture Toolflow for Accelerating YOLO Models on FPGA Devices [48.47320494918925]
この作業は、超低レイテンシアプリケーションのために、最先端のオブジェクト検出モデルをFPGAデバイスにデプロイする際の課題に対処する。 YOLOアクセラレータにはストリーミングアーキテクチャ設計を採用しており、チップ上で完全なモデルを深くパイプライン化して実装しています。データフロー方式でYOLOモデルの動作をサポートする新しいハードウェアコンポーネントを導入し、オンチップメモリリソースの制限に対処するために、オフチップメモリバッファリングを導入する。
論文参考訳（メタデータ） (2023-09-04T13:15:01Z)
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文参考訳（メタデータ） (2023-08-10T10:12:27Z)
YOLOv3 with Spatial Pyramid Pooling for Object Detection with Unmanned Aerial Vehicles [0.0]
我々は,背骨ダークネット53の端に空間ピラミッドポーリング層を追加することで,一段検出器YOLOv3の性能向上を目指す。また, YOLOv3法の異なるバージョンについて評価を行った。
論文参考訳（メタデータ） (2023-05-21T04:41:52Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
YOLO-Z: Improving small object detection in YOLOv5 for autonomous vehicles [5.765622319599904]
本研究は, YOLOv5物体検出器を改良して, 小型物体の検出性能を向上させる方法について検討した。我々は, YOLO-Z'と命名し, 50%IOUで小さな物体を検出する場合に, 最大6.9%のmAP向上を示すモデルを提案する。本研究の目的は、YOLOv5などの一般的な検出器を調整して特定のタスクに対処する可能性について、今後の研究を知らせることである。
論文参考訳（メタデータ） (2021-12-22T11:03:43Z)
A TinyML Platform for On-Device Continual Learning with Quantized Latent Replays [66.62377866022221]
Latent Replay-based Continual Learning (CL)技術は、原則としてオンライン、サーバレスの適応を可能にする。 10コアのFP32対応並列超低消費電力プロセッサをベースとした,エンドツーエンドCLのためのHW/SWプラットフォームを提案する。これらの手法を組み合わせることで,64MB未満のメモリを用いて連続学習を実現することができることを示す。
論文参考訳（メタデータ） (2021-10-20T11:01:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。