Original title:
Detekce a klasifikace vozidel pro vestavěné platformy
Translated title:
Detection and Classification of Vehicles for Embedded Platforms
Authors:
Skaloš, Patrik ; Hradiš, Michal (referee) ; Špaňhel, Jakub (advisor) Document type: Bachelor's theses
Year:
2023
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta informačních technologií Abstract:
[eng][cze]
Táto práca hodnotí kompromisy rýchlosti a presnosti najmodernejších detektorov objektov YOLOv8 pre detekciu vozidiel v snímkoch z monitorovacích kamier na vstatných a nízkovýkonných zariadeniach. Modely YOLOv8 rôznych veľkostí, vrátane jedného s efektívnou sieťou MobileNetV2 na extrakciu príznakov a modelu YOLOv8-femto s menej ako \num{60000} parametrami, boli testované na šiestich zariadeniach, vrátane troch vstavaných platforiem z rodiny NVIDIA Jetson a počítačom Raspberry Pi 4B s nízkou výpočtovou silou. V práci boli zohľadnené rôzne faktory ovplyvňujúce výkonnosť modelov, ako napríklad ich kvantizácia, rozlíšenia vstupu, inferenčné knižnice a veľkosti dávok počas inferencie. Táto štúdia poskytuje užitočné informácie k vývoju a nasadeniu detektorov vozidiel na širokú škálu zariadení, od nízkovýkonných procesorov po špecializované vstavané platformy.
This paper evaluates the performance trade-offs of state-of-the-art YOLOv8 object detectors for vehicle detection in surveillance-type images on embedded and low-performance devices. YOLOv8 models of varying sizes, including one with the lightweight MobileNetV2 backbone and YOLOv8-femto with fewer than \num{60000} parameters, were benchmarked across six devices, including three NVIDIA Jetson embedded platforms and the low-performance Raspberry Pi 4B. Various factors influencing performance were considered, such as weight quantization, input resolutions, inference backends, and batch sizes during inference. This study provides valuable insights into the development and deployment of vehicle detectors on a diverse range of devices, including low-performance CPUs and specialized embedded platforms.
Keywords:
detekcia objektov; detekcia v reálnom čase; detekcia vozidiel; kompromisy; konvolučné neurónové siete; kvantizácia; MMYOLO; monitorovanie dopravy; NVIDIA Jetson; nízkovýkonné zariadenia; ONNX Runtime; OpenMMLab; Raspberry Pi; TensorRT; vstavané zariadenia; YOLO; YOLOv8; convolutional neural networks; embedded devices; low-performance devices; MMYOLO; NVIDIA Jetson; object detection; ONNX Runtime; OpenMMLab; quantization; Raspberry Pi; real-time; TensorRT; trade-offs; traffic surveillance; vehicle detection; YOLO; YOLOv8
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/211067