Publication Details:
Լույս է տեսնում 1948 թվականից՝ տարին 4 անգամ։
Journal or Publication Title:
Date of publication:
Volume:
Number:
ISSN:
Official URL:
Additional Information:
Գրիգորյան, Մ. Տ., Григорян М. Т.
Title:
Investigating The Performance Indices Of Yolo Models Implemented On A DPU: A Comparative Analysis
Other title:
DPU-ի վրա իրականացված YOLO մոդելների աշխատանքի չափումների ուսումնասիրում. Համեմատական վերլուծություն ; Исследование показателей производительности моделей YOLO, реализованных на DPU: сравнительный анализ
Creator:
Contributor(s):
Պատ․ խմբ․՝ Ա․ Գ․ Նազարով (1957-1964) ; Մ․ Վ․ Կասյան (1964-1988) ; Ռ․ Մ․ Մարտիրոսյան (1989-2017 ) ; Գլխավոր խմբ․՝ Վ․ Շ․ Մելիքյան (2018-)
Subject:
Uncontrolled Keywords:
FPGA ; DPU ; object detectio ; YOLO
Coverage:
Abstract:
A comprehensive analysis of the performance indices achieved by implementing various “You Only Look Once” dataset (YOLO) models on a dedicated Deep Learning Processing Unit (DPU). YOLO models are renowned for their real-time object detection capabilities, making them a good choice for a range of applications including autonomous vehicles, surveillance systems, and robotics. In this study, the YOLO models are deployed onto a specialized hardware accelerator, specifically a DPU, to assess their inference speed, accuracy, and power efficiency. By conducting an in-depth comparative evaluation of multiple YOLO variants, including YOLOv3, YOLOv4, YOLOv5, YOLOv6 insights into how each model interacts with the DPU architecture are revealed. The experiments involve benchmarking these models across diverse datasets and varying hardware configurations. The results not only highlight the advantages and limitations of employing DPUs for YOLO-based applications but also help in choosing the most suitable model-DPU combination based on specific performance requirements. This study contributes to the optimization of real-time object detection systems and assists practitioners in making informed decisions regarding the model and hardware selection.
Ներկայացվել է կատարողականության ցուցանիշների համապարփակ վերլուծություն, որը ձեռք է բերվել «You Only Look Once» տվյալների բազայի (YOLO) տարբեր մոդելների ներդրմամբ՝ օգտագործելով համապատասխան խոր ուսուցման մշակման սարք (DPU): YOLO մոդելները հայտնի են իրենց իրական ժամանակում օբյեկտների հայտնաբերման հնարավորություններով, ինչը նրանց դարձնում է լավ ընտրություն մի շարք ծրագրերի դեպքում, ներառյալ ինքնավար մեքենաները, հսկողության համակարգերը և ռոբոտաշինությունը: Սույն ուսումնասիրության մեջ YOLO մոդելները տեղադրվում են մասնագիտացված սարքային արագացուցչի, մասնավորապես՝ DPU-ի վրա, որը կատարվում է դրա աշխատանքի արագությունը, ճշգրտությունը և էներգիայի սպառման արդյունավետությունը գնահատելու համար: Կատարելով YOLO մոդելի բազմաթիվ տարբերակների համեմատական գնահատում՝ ցույց է տրվում, թե ինչպես է յուրաքանչյուր մոդել փոխազդում DPU ճարտարապետության հետ: Մոդելները ներառում են YOLOv3, YOLOv4, YOLOv5, YOLOv6։ Փորձերը ներառում են այս մոդելների չափորոշիչների ուսումնասիրումը տարբեր տվյալների հավաքածուներում և տարբեր սարքային կազմաձևերում: Արդյունքները ոչ միայն ընդգծում են YOLO մոդելների հիմքով նախագծերի DPU-ների վրա կիրառման առավելություններն ու սահմանափակումները, այլ նաև նպաստում են՝ ընտրելու առավել հարմար մոդել-DPU համակցությունը, տվյալ պահանջները հաշվի առնելով: Ուսումնասիրությունը նպաստում է իրական ժամանակում օբյեկտների հայտնաբերման համակարգերի լավարկմանը և օգնում նախագծողներին մոդելի և սարքավորման ընտրության դեպքում՝ բարձրացնելով տեղեկացվածությունը որոշումներ կայացնելու հարցում:
Представлен всесторонний анализ показателей производительности различных моделей, созданных на основе набора данных “You Only Look Once” (YOLO) и реализованных на процессоре глубокого обучения (DPU). Модели YOLO известны своими возможностями обнаружения объектов в реальном времени, что позволяет их использовать для целого ряда приложений, включая автономные транспортные средства, системы наблюдения и робототехнику. В исследовании модели YOLO развертываются на специализированном аппаратном ускорителе, в частности DPU, для оценки скорости, точности и энергоэффективности их работы. Путем проведения сравнительной оценки нескольких вариантов YOLO, включая YOLOv3, YOLOv4, YOLOv5, YOLOv6, показано, как каждая модель взаимодействует с архитектурой DPU. Эксперименты включают сравнение этих моделей с различными наборами данных и различными конфигурациями оборудования. Результаты не только подчеркивают преимущества и ограничения использования DPU для приложений на основе YOLO, но также помогают выбрать наиболее подходящую комбинацию модель-DPU на основе конкретных требований к производительности. Исследование способствует оптимизации систем обнаружения объектов в реальном времени и помогает специалистам-практикам принимать обоснованные решения относительно выбора модели и оборудования.
Place of publishing:
Երևան
Publisher:
Type:
Format:
Call number:
Digitization:
ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան