Dissertação
Urban Object Detection using Convolutional Neural Networks on FPGA EVALUATED
A detecção de objetos urbanos tem um papel importante em várias aplicações, como vigilância, veículos autônomos, navegação de robôs e outros sistemas inteligentes. Este trabalho implementa o algoritmo de detecção de objetos, YOLOv4, e a sua versão de menor complexidade, YOLOv4-Tiny, num dispositivo de hardware reconfigurável, Xilinx XCZU7EV, e compara a precisão e o ritmo de processamento com um processador genérico e com um dispositivo de processamento gráfico. Na implementação do YOLOv4 e do YOLOv4-tiny o objetivo foi o de alcançar um equilíbrio entre a precisão e a eficiência energética. Para projetar o sistema, foi utilizado o ambiente Vitis-AI, explorando diversas técnicas, como a quantização, para otimizar o modelo para implementação em FPGA. O modelo foi treinado e avaliado com um conjunto de dados com 7 categorias, que consiste em imagens de objetos urbanos comuns, e testado no dispositivo FPGA Zynq Ultrascale+ MPSoC. A arquitetura hardware alvo baseia-se na utilização do núcleo hardware de aceleração do Vitis-AI, DPUCZDX8G, testando várias configurações do acelerador. Os resultados obtidos para ambos os modelos quando executados na FPGA apresentam um mAP entre 55\% e 76\% e uma taxa de processamento para as diferentes configurações a variar de 14 FPS (YOLOv4) até 145 FPS (YOLOv4-Tiny) .
junho 23, 2023, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Horácio Cláudio De Campos Neto
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado