PulseAugur
中
实时 07:16:20

研究人员对边缘设备的目标检测模型进行基准测试

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员在 Raspberry Pi 和 Jetson Orin Nano 等各种边缘计算设备上对 YOLOv8、EfficientDet Lite 和 SSD 变体等几种深度学习目标检测模型进行了基准测试。该研究根据能耗、推理时间和准确性 (mAP) 评估了性能。结果表明，模型准确性和资源效率之间存在权衡，SSD MobileNet V1 等较低 mAP 的模型速度更快、能效更高，而 YOLOv8 Medium 等较高 mAP 的模型资源消耗更大，尽管 TPU 可以缓解这种情况。Jetson Orin Nano 在请求处理方面表现出最佳性能。 AI

影响 为在资源受限的边缘设备上优化深度学习模型的部署提供了指导，平衡了准确性和效率。

排序理由 这是一篇评估特定应用现有模型和硬件的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究人员对边缘设备的目标检测模型进行基准测试

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
这是一篇评估特定应用现有模型和硬件的研究论文。
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, infra
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
124 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Daghash K. Alqahtani, Aamir Cheema, Adel N. Toosi ·

    面向边缘计算设备的深度学习目标检测模型基准测试

    arXiv:2409.16808v1 Announce Type: cross Abstract: Modern applications, such as autonomous vehicles, require deploying deep learning algorithms on resource-constrained edge devices for real-time image and video processing. However, there is limited understanding of the efficiency …

相关实体

相关话题