面向YOLO神经网络的数据流架构优化研究.pdfVIP

第48卷第1期计算机学报Vol.48No.1

2025年1月CHINESEJOURNALOFCOMPUTERSJan.2025

面向YOLO神经网络的数据流架构优化研究

1）2)1）.2)）.2)

穆宇栋李文明范志华吴萌吴海彬

叶笑春1),2)

安学军范东睿

1（处理器芯片全国重点实验室（中国科学院计算技术研究所）北京100190)

2)（中国科学院大学计算机科学与技术学院北京100049）

摘要YOLO目标检测算法具有速度快、精度高、结构简单、性能稳定等优点，因此在多种对实时性要求较高的

场景中得到广泛应用。传统的控制流架构在执行YOLO神经网络时面临计算部件利用率低、功耗高、能效较低等

挑战。相较而言，数据流架构的执行模式与神经网络算法匹配度高，更能充分挖掘其中的数据并行性。然而，在数

据流架构上部署YOLO神经网络时面临三个问题：（1)数据流架构的数据流图映射并不能结合YOLO神经网络中

卷积层卷积核较小的特点，造成卷积运算数据复用率过低的问题，并进一步降低计算部件利用率；（2）数据流架构

在算子调度时无法利用算子间结构高度耦合的特点，导致大量数据重复读取；（3）数据流架构上的数据存取与执行

高度耦合、串序执行，导致数据存取延迟过高。为解决这些问题，本文设计了面向YOLO神经网络的数据流加速器

DFU-Y。首先，结合卷积嵌套循环的执行模式，本文分析了小卷积核卷积运算的数据复用特征，并提出了更有利于

执行单元内部数据复用的数据流图映射算法，从而整体提升卷积运行效率；然后，为充分利用结构耦合的算子间的

数据复用，DFU-Y提出数据流图层次上的算子融合调度机制以减少数据存取次数、提升神经网络运行效率；最后，

DFU-Y通过双缓存解耦合数据存取与执行，从而并行执行数据存取与运算，掩盖了程序间的数据传输延迟，提高

了计算部件利用率。实验表明，相较数据流架构（DFU)和GPU(NVIDIAXavierNX），DFU-Y分别获得2.527倍、

1.334倍的性能提升和2.658倍、3.464倍的能效提升；同时，相较YOLO专用加速器（Arria-YOLO）,DFU-Y在保

持较好通用性的同时，达到了其性能的72.97%、能效的87.41%。

关键词YOLO算法；数据流架构；数据流图优化；卷积神经网络；神经网络加速

中图法分类号TP301D0I号10.11897/SP.J.1016.2025.00082

OptimizationofDataflowArchitectureforYOLONeuralNetworks

MUYu-Dongl.2)LIWen-Mingl).2)FANZhi-Hual),2)WUMengl).2)WUHai-Bin),2)

ANXue-Jun)YEXiao-Chun),2)F

FANDong-Rui),2)

1)(StateKeyLabofProcessors(InstituteofComputingTechnology,ChineseAcademyofSciences),Beijing100190)

2)(SchoolofComputerScienceandTechnology,UniversityofChineseAcademyofSciences,Beijing100049)

AbstractTheYOLO(YouOnlyLookOnce)Object