論文の概要: Real-Time Multi-Object Tracking using YOLOv8 and SORT on a SoC FPGA

• arxiv url: http://arxiv.org/abs/2503.13023v1
• Date: Mon, 17 Mar 2025 10:25:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:30:25.708957
• Title: Real-Time Multi-Object Tracking using YOLOv8 and SORT on a SoC FPGA
• Title（参考訳）: SoCFPGA上でのYOLOv8とSORTを用いたリアルタイム多対象追跡
• Authors: Michal Danilowicz, Tomasz Kryjak,
• Abstract要約: マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて最も重要な問題の一つである。 量子化YOLOv8検出器とSORT(Simple Online Realtime Tracker)トラッカーを用いた組込みMOTシステムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Multi-object tracking (MOT) is one of the most important problems in computer vision and a key component of any vision-based perception system used in advanced autonomous mobile robotics. Therefore, its implementation on low-power and real-time embedded platforms is highly desirable. Modern MOT algorithms should be able to track objects of a given class (e.g. people or vehicles). In addition, the number of objects to be tracked is not known in advance, and they may appear and disappear at any time, as well as be obscured. For these reasons, the most popular and successful approaches have recently been based on the tracking paradigm. Therefore, the presence of a high quality object detector is essential, which in practice accounts for the vast majority of the computational and memory complexity of the whole MOT system. In this paper, we propose an FPGA (Field-Programmable Gate Array) implementation of an embedded MOT system based on a quantized YOLOv8 detector and the SORT (Simple Online Realtime Tracker) tracker. We use a modified version of the FINN framework to utilize external memory for model parameters and to support operations necessary required by YOLOv8. We discuss the evaluation of detection and tracking performance using the COCO and MOT15 datasets, where we achieve 0.21 mAP and 38.9 MOTA respectively. As the computational platform, we use an MPSoC system (Zynq UltraScale+ device from AMD/Xilinx) where the detector is deployed in reprogrammable logic and the tracking algorithm is implemented in the processor system.
• Abstract（参考訳）: マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおける最も重要な問題の1つであり、先進的な自律移動ロボット工学で使用される視覚ベースの知覚システムの重要な構成要素である。 そのため、低消費電力でリアルタイムな組込みプラットフォームへの実装が極めて望ましい。 最新のMOTアルゴリズムは、あるクラス(例えば人や車)のオブジェクトを追跡することができるべきである。 さらに、追跡対象の数は事前に分かっておらず、いつでも現れて消える可能性がある。 これらの理由から、最も人気があり、成功したアプローチは、最近トラッキングパラダイムに基づいている。 したがって、高品質なオブジェクト検出器の存在は必須であり、実際にはMOTシステム全体の計算とメモリの複雑さの大部分を占めている。 本稿では,量子化されたYOLOv8検出器とSORT(Simple Online Realtime Tracker)トラッカーに基づく組込みMOTシステムのFPGA(Field-Programmable Gate Array)実装を提案する。 我々は、モデルパラメータの外部メモリの利用と、YOLOv8に必要な操作をサポートするために、FINNフレームワークの修正版を使用します。 我々はCOCOとMOT15データセットを用いて検出および追跡性能の評価を行い、それぞれ0.21mAPと38.9MOTAを達成した。 計算プラットフォームとしてMPSoCシステム(AMD/XilinxのZynq UltraScale+デバイス)を用い,再プログラム可能な論理に検出器を配置し,追跡アルゴリズムをプロセッサシステムに実装する。

関連論文リスト

• RAMOTS: A Real-Time System for Aerial Multi-Object Tracking based on Deep Learning and Big Data Technology [0.0]
  UAVビデオにおける多物体追跡(MOT)は、視点の変化、解像度の低さ、小さな物体の存在により困難である。 本稿では,Apache KafkaとApache Sparkを統合したリアルタイムMOTフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-06T03:46:18Z)
• HopTrack: A Real-time Multi-Object Tracking System for Embedded Devices [11.615446679072932]
  本稿では,組み込みデバイスに適したリアルタイムマルチオブジェクトトラッキングシステムHopTrackを紹介する。 最高のハイエンドGPU修正ベースラインByte(Embed)と比較して、HopTrackはNVIDIA AGX Xavierで最大39.29の処理速度を実現している。
  論文  参考訳（メタデータ） (2024-11-01T14:13:53Z)
• Ego-Motion Aware Target Prediction Module for Robust Multi-Object Tracking [2.7898966850590625]
  我々は、Ego-motion Aware Target Prediction (EMAP)と呼ばれる新しいKFベースの予測モジュールを導入する。 提案手法は、カルマンフィルタを再構成することにより、物体軌道からのカメラ回転速度と翻訳速度の影響を分離する。 EMAPはOC-SORTとDeep OC-SORTのIDSWをそれぞれ73%と21%減少させる。
  論文  参考訳（メタデータ） (2024-04-03T23:24:25Z)
• Transformer Network for Multi-Person Tracking and Re-Identification in Unconstrained Environment [0.6798775532273751]
  マルチオブジェクトトラッキング(MOT)は、監視、スポーツ分析、自動運転、協調ロボットなど、さまざまな分野に深く応用されている。 我々は、オブジェクト検出とアイデンティティリンクを単一のエンドツーエンドのトレーニング可能なフレームワーク内にマージする統合MOT手法を提唱した。 本システムでは,記憶時記憶モジュールの高機能化を図り,アグリゲータを用いて効果的に記憶時記憶モジュールを符号化する。
  論文  参考訳（メタデータ） (2023-12-19T08:15:22Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• MOTChallenge: A Benchmark for Single-Camera Multiple Target Tracking [72.76685780516371]
  単カメラ多目的追跡(MOT)のためのベンチマークMOTChallengeを提案する。 このベンチマークは、歩行者がトラッキングコミュニティで最も研究されているオブジェクトであるため、複数の人を追跡することに重点を置いている。 我々は,最先端トラッカーの分類と広い誤差解析を行う。
  論文  参考訳（メタデータ） (2020-10-15T06:52:16Z)
• Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
  本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。 また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
  論文  参考訳（メタデータ） (2020-08-20T08:05:33Z)
• Tracking by Instance Detection: A Meta-Learning Approach [99.66119903655711]
  本稿では,高性能トラッカー構築のための3段階の原理的手法を提案する。 我々は2つの現代的な検出器であるRetinaNetとFCOSをベースに、Retina-MAMLとFCOS-MAMLという2つのトラッカーを構築した。 両方のトラッカーは40FPSでリアルタイムに動作します。
  論文  参考訳（メタデータ） (2020-04-02T05:55:06Z)
• MOT20: A benchmark for multi object tracking in crowded scenes [73.92443841487503]
  我々は,非常に混み合ったシーンを描写した8つの新しいシーケンスからなるMOT20ベンチマークを提示する。 ベンチマークは第4回BMTT MOT Challenge Workshop at the Computer Vision and Pattern Recognition Conference (CVPR)で初めて発表された。
  論文  参考訳（メタデータ） (2020-03-19T20:08:24Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。