ترجمه فارسی مقاله یک چارچوب تشخیص شیء بلادرنگ کارآمد در دستگاه‌های سخت‌افزاری با محدودیت منابع از طریق طراحی مشترک نرم‌افزار و سخت‌افزار

چکیده

The fast development of object detection techniques has attracted attention to developing efficient Deep Neural Networks (DNNs). However, the current state-of-the-art DNN models can not provide a balanced solution among accuracy, speed, and model size. This paper proposes an efficient real-time object detection framework on resource-constrained hardware devices through hardware and software co-design. The Tensor Train (TT) decomposition is proposed for compressing the YOLOv5 model. By unitizing the unique characteristics given by the TT decomposition, we develop an efficient hardware accelerator based on FPGA devices. Experimental results show that the proposed method can significantly reduce the model size and improve the execution time.

چکیده به فارسی (ترجمه ماشینی)

توسعه سریع تکنیک های تشخیص شیء توجه را به توسعه شبکه های عصبی عمیق (DNN) جلب کرده است.با این حال ، مدل های پیشرفته فعلی DNN نمی توانند یک راه حل متعادل در بین دقت ، سرعت و اندازه مدل ارائه دهند.در این مقاله یک چارچوب کارآمد تشخیص شیء در زمان واقعی در مورد دستگاه های سخت افزاری محدود شده از منابع از طریق طراحی سخت افزار و نرم افزار ارائه شده است.تجزیه قطار Tensor (TT) برای فشرده سازی مدل YOLOV5 پیشنهاد شده است.با واحد سازی ویژگی های منحصر به فرد ارائه شده توسط تجزیه TT ، ما یک شتاب دهنده سخت افزار کارآمد را بر اساس دستگاه های FPGA ایجاد می کنیم.نتایج تجربی نشان می دهد که روش پیشنهادی می تواند به طور قابل توجهی اندازه مدل را کاهش داده و زمان اجرای را بهبود بخشد.