論文の概要: Efficient Edge Deployment of Quantized YOLOv4-Tiny for Aerial Emergency Object Detection on Raspberry Pi 5

• arxiv url: http://arxiv.org/abs/2506.09300v1
• Date: Tue, 10 Jun 2025 23:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.153671
• Title: Efficient Edge Deployment of Quantized YOLOv4-Tiny for Aerial Emergency Object Detection on Raspberry Pi 5
• Title（参考訳）: Raspberry Pi 5における空中緊急物体検出のための量子化YOLOv4-Tinyの効率的なエッジ展開
• Authors: Sindhu Boddu, Arindam Mukherjee,
• Abstract要約: 本稿では,資源制約エッジデバイスRaspberry Pi 5上での空中緊急画像におけるリアルタイム物体検出のための量子化YOLOv4-Tinyモデルの展開と性能評価について述べる。 平均消費電力は13.85Wで、1枚あたり28.2msで、FP32と比較して消費電力は大幅に減少した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper presents the deployment and performance evaluation of a quantized YOLOv4-Tiny model for real-time object detection in aerial emergency imagery on a resource-constrained edge device the Raspberry Pi 5. The YOLOv4-Tiny model was quantized to INT8 precision using TensorFlow Lite post-training quantization techniques and evaluated for detection speed, power consumption, and thermal feasibility under embedded deployment conditions. The quantized model achieved an inference time of 28.2 ms per image with an average power consumption of 13.85 W, demonstrating a significant reduction in power usage compared to its FP32 counterpart. Detection accuracy remained robust across key emergency classes such as Ambulance, Police, Fire Engine, and Car Crash. These results highlight the potential of low-power embedded AI systems for real-time deployment in safety-critical emergency response applications.
• Abstract（参考訳）: 本稿では,資源制約エッジデバイスRaspberry Pi 5上での空中緊急画像におけるリアルタイム物体検出のための量子化YOLOv4-Tinyモデルの展開と性能評価について述べる。 YOLOv4-Tinyモデルは、TensorFlow Liteポストトレーニング量子化技術を用いてINT8精度に量子化され、組み込み配置条件下での検出速度、消費電力、熱的実現可能性の評価を行った。 量子化モデルでは、画像当たり28.2ミリ秒の平均消費電力は13.85Wであり、FP32と比較して消費電力が大幅に減少した。 検出精度は、アンバランス、警察、消防車、カークラッシュといった重要な緊急クラスで安定していた。 これらの結果は、安全クリティカルな緊急対応アプリケーションにリアルタイムにデプロイするための低消費電力組み込みAIシステムの可能性を強調している。

関連論文リスト

• Lightweight Object Detection Using Quantized YOLOv4-Tiny for Emergency Response in Aerial Imagery [0.0]
  我々は、後学習量子化によってINT8精度に最適化されたコンパクト畳み込みニューラルネットワークであるYOLOv4-Tinyモデルをデプロイすることに注力する。 このモデルは、重要な緊急シナリオをカバーする10,820の注釈付き画像からなる、カスタムカレーションされた緊急データセットでトレーニングされている。 モデルサイズの71%削減と推論速度の44%向上により、量子化されたYOLOv4-Tinyモデルは低消費電力エッジデバイスでのリアルタイム緊急検出に非常に適している。
  論文  参考訳（メタデータ） (2025-06-10T23:26:29Z)
• A Performance Analysis of You Only Look Once Models for Deployment on Constrained Computational Edge Devices in Drone Applications [0.0]
  本研究では,資源制約のあるエッジデバイスやクラウド環境へのオブジェクト検出モデルの展開を評価する。 NVIDIA Jetson Orin Nano、Orin NX、Raspberry Pi 5(RPI5)デバイスは、検出精度、推論速度、エネルギー消費を測定するためにテストされている。
  論文  参考訳（メタデータ） (2025-02-06T17:22:01Z)
• Survey of Quantization Techniques for On-Device Vision-based Crack Detection [5.967661928760498]
  構造的健康モニタリング(SHM)は、インフラの安全性と長寿を保証する。 UAVと組み合わせた視覚ベースの亀裂検出は、従来のセンサーベースのSHM手法の限界に対処する。 本研究では、MobileNetV1x0.25とMobileNetV2x0.5の2つの軽量畳み込みニューラルネットワークモデルを評価する。
  論文  参考訳（メタデータ） (2025-02-04T12:29:29Z)
• Energy-Efficient Seizure Detection Suitable for low-power Applications [0.5326090003728084]
  てんかんは世界中で最も一般的で慢性的な神経疾患である。 神経インプラントは、検出時に来るべき発作を抑制することにより、効果的な治療に使用できる。 本稿では,TC-ResNetと時系列解析によるエネルギー効率の高い発作検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T11:36:29Z)
• QuEST: Low-bit Diffusion Model Quantization via Efficient Selective Finetuning [52.157939524815866]
  本稿では,現行手法の有効性を損なう量子拡散モデルの3つの特性を実証的に明らかにする。 重要な時間的情報を保持する層と、ビット幅の低減に敏感な層という、2つの重要なタイプの量子化層を同定する。 提案手法は,3つの高分解能画像生成タスクに対して評価し,様々なビット幅設定で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-06T03:39:44Z)
• Recurrent Vision Transformers for Object Detection with Event Cameras [62.27246562304705]
  本稿では,イベントカメラを用いた物体検出のための新しいバックボーンであるリカレントビジョントランス (RVT) を提案する。 RVTは、イベントベースのオブジェクト検出で最先端のパフォーマンスに到達するために、ゼロからトレーニングすることができる。 私たちの研究は、イベントベースのビジョンを超えた研究に役立ち得る効果的なデザイン選択に、新たな洞察をもたらします。
  論文  参考訳（メタデータ） (2022-12-11T20:28:59Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• FRDet: Balanced and Lightweight Object Detector based on Fire-Residual Modules for Embedded Processor of Autonomous Driving [0.0]
  本稿では, 精度, モデルサイズ, リアルタイム処理の制約をすべて満たすために, バランスのとれた軽量一段物体検出器を提案する。 我々のネットワークは、YOLOv3の精度を達成または超えながら、モデルの圧縮を最大化することを目的としている。
  論文  参考訳（メタデータ） (2020-11-16T16:15:43Z)

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。