资源受限边缘环境下的轻量级对象检测系统的设计与实现-计算机科学-深度学习-微控制器设备-计算机视觉.pdf

资源受限边缘环境下的轻量级对象检测系统的设计与实现

aaa,

JiyueJiang,MingtongChenandZhengbaoYang

aTheHongKongUniversityofScienceandTechnologyHongKong,SAR999077,China

ARTICLEINFO摘要

Keywords:该项目旨在开发一个系统，在低功耗条件下运行目标检测模型。检测场景设定为户外旅行场景，检

YOLOv5测类别包括人和车辆。在此系统中，用户的数据无需上传至云端，适用于具有便携需求且对数据隐

私有严格要求的环境。该系统使用的MCU设备是STM32H7，在低功耗设备中性能更优。选择

微控制器设备了YOLOv5系统来训练目标检测模型。为克服嵌入式设备资源限制的问题，本项目采用几种模型

深度学习压缩技术，如剪枝、量化和蒸馏，这些可以提升检测模型的性能和效率。通过这些过程，可以减少

模型的计算量和模型参数的数量，从而在微控制器设备上运行计算机视觉模型，以开发嵌入式视觉

应用。

1.介绍该项目旨在在低功耗便携设备上进行目标检测。

使用SCM（单片微计算机）上的深度学习模型来检

近年来，人工智能（AI）在计算机视觉、自然语

测两类目标：人员和车辆。基于YOLOv5预训练模

本言处理和语音识别等多个领域取得了显著进展。它

型，使用包含两个目标检测类别的专用数据集训练检

译被广泛应用于智能安全、自动驾驶和智能家居系统

测模型，然后采用剪枝、量化等技术压缩模型。最后，

中等领域。随着AI模型性能的持续提升，其结构变得

在STM32H743设备上部署并运行优化后的模型。

1越来越复杂，参数数量不断增加，计算需求也更高。

v因此，这些模型的部署高度依赖高性能硬件。然而，

52.硬件设备和模型系统选择

5这类设备通常体积庞大、成本高昂且能耗较高。此

1外，在这些系统中需要将用户数据上传至云端，这使为了实现更好的检测效果，本项目选择了STM32

6

1.得它们不适合那些要求节能、便携和隐私保护的应系列中性能更高的H7系列MCU设备。STM32H7

7用场景。系列是意法半导体设计的面向高性能嵌入式应用的

0

5为了解决这些限制，边缘计算正成为核心解决Cortex-M7核心微控制器家族。基于现有的STM32

2

:方案之一。在边缘设备上部署AI模型可以显著减少生态系统，它提供了更高的时钟速度、更大的片

v

i将数据传输到云端时的延迟和带宽消耗，从而提高上存储容量以及更丰富的外围设备集，以满足工

x

r实时性能和智能水平。此外，用户的数据无需上传至业控制、机器人技术、音频/视频处理、AI推理

a

云，这种方法能够有效保护客户的隐私。然而，大多等应用场景的严苛计算和实时要求。具体设备是

数边缘设备计算能力非常有限，传统的物体检测模STM32H743XIH6，配备了ArmCortex-M7芯片，2M

型如YOLO（YouOnlyLookOnce）和SSD（Single闪存存储，1