基于边缘设备的目标检测方法技术

本发明专利技术公开了一种基于边缘设备的目标检测方法，根据实际需要选择目标检测模型，设置检测时间、检测功耗和检测精度的优先级，以及检测时间上限，对于需要进行目标检测的边缘设备，获取支持不同模型输入分辨率的深度学习框架，构成深度学习框架集合，并获取每个深度学习框架的推断时间和平均功耗，基于检测时间上限和三个性能的优先级，对深度学习框架进行优选，根据筛选得到的深度学习框架对目标检测模型进行优化配置，对目标检测模型进行训练后部署到边缘设备上进行目标检测。本发明专利技术通过对边缘设备上目标检测模型的深度学习框架进行优选，综合考虑目标检测模型的检测时间、检测功耗和检测精度，从而提高目标检测的性能。从而提高目标检测的性能。从而提高目标检测的性能。

【技术实现步骤摘要】
基于边缘设备的目标检测方法


[0001]本专利技术属于边缘计算
，更为具体地讲，涉及一种基于边缘设备的目标检测方法。

技术介绍

[0002]本方案属于边缘计算领域。当前，很多AI算法部署在边缘设备上已达到降低延迟、节省带宽和保护隐私的目的。目标检测算法被广泛的应用于工业生产、城市监控、行人检测等领域。设计一个能够在低成本边缘设备上运行良好的目标检测方法，将具有很大的价值。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种基于边缘设备的目标检测方法，通过对边缘设备上目标检测模型的深度学习框架进行优选，提高目标检测的性能。
[0004]为了实现上述目的，本专利技术基于边缘设备的目标检测方法包括以下步骤：
[0005]S1：根据实际需要选择目标检测模型，然后设置目标检测模型的检测时间、检测功耗和检测精度这三个检测性能指标的优先级，以及目标检测模型的检测时间上限T；
[0006]S2：对于需要进行目标检测的边缘设备，首先确定边缘设备支持的深度学习框架，记所支持深度学习框架的数量为N；获取目标检测模型在边缘设备上运行于各个深度学习框架时所支持的模型输入分辨率，记第n个深度学习框架所支持的模型输入分辨率数量为M
n
，n＝1,2,
…
,N，将支持第m个模型输入分辨率的第n个深度学习框架记为f
n,m
，m＝1,2,
…
,M
n
，将所有深度学习框架f
n,m
构成深度学习框架集合F，然后获取每个深度学习框架f
n,m
在边缘设备的推断时间t
n,m
和平均功耗w
n,m
；
[0007]S3：对于深度学习框架集合F，将其中推断时间t
n,m
超过检测时间上限T的深度学习框架删除，得到初步筛选后的深度学习框架集合F
′
；
[0008]如果检测性能指标中优先级最高的是检测时间，那么将深度学习框架集合F
′
中检测时间最少的深度学习框架作为所使用的深度学习框架将其对应的模型输入分辨率作为目标检测模型的输入分辨率如果所筛选出的深度学习框架数量大于1，则按照检测精度和检测功耗的优先级继续筛选，得到最优的深度学习框架；
[0009]如果检测性能指标中优先级最高的是检测功耗，那么将深度学习框架集合F
′
中平均功耗最少的深度学习框架作为所使用的深度学习框架将其对应的模型输入分辨率作为目标检测模型的输入分辨率如果所筛选出的深度学习框架数量大于1，则按照检测精度和检测时间的优先级继续筛选，得到最优的深度学习框架；
[0010]如果检测性能指标中优先级最高的是检测精度，那么将深度学习框架集合F
′
中模型输入分辨率最大的深度学习框架作为所使用的深度学习框架将其对应的模型输入分辨率作为目标检测模型的输入分辨率如果所筛选出的深度学习框架数量大于1，则按照
检测时间和检测功耗的优先级继续筛选，得到最优的深度学习框架；
[0011]S4：根据步骤S3中筛选得到的深度学习框架和目标检测模型的输入分辨率对目标检测模型进行优化配置，然后收集训练样本对目标检测模型进行训练；
[0012]S5：将步骤S4训练好的目标检测模型部署到边缘设备上，对摄像机所获取的视频图像进行目标检测。
[0013]本专利技术基于边缘设备的目标检测方法，根据实际需要选择目标检测模型，设置检测时间、检测功耗和检测精度的优先级，以及检测时间上限，对于需要进行目标检测的边缘设备，获取支持不同模型输入分辨率的深度学习框架，构成深度学习框架集合，并获取每个深度学习框架的推断时间和平均功耗，基于检测时间上限和三个性能的优先级，对深度学习框架进行优选，根据筛选得到的深度学习框架对目标检测模型进行优化配置，对目标检测模型进行训练后部署到边缘设备上进行目标检测。
[0014]本专利技术通过对边缘设备上目标检测模型的深度学习框架进行优选，综合考虑目标检测模型的检测时间、检测功耗和检测精度，从而提高目标检测的性能。
附图说明
[0015]图1是本专利技术基于边缘设备的目标检测方法的具体实施方式流程图；
[0016]图2是深度学习框架所支持的模型输入分辨率优选示意图。
具体实施方式
[0017]下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。
[0018]实施例
[0019]图1是本专利技术基于边缘设备的目标检测方法的具体实施方式流程图。如图1所示，本专利技术基于边缘设备的目标检测方法的具体步骤包括：
[0020]S101：设置目标检测模型：
[0021]根据实际需要选择目标检测模型，然后设置目标检测模型的检测时间、检测功耗和检测精度这三个检测性能指标的优先级，以及目标检测模型的检测时间上限T；
[0022]S102：确定边缘设备支持的深度学习框架：
[0023]对于需要进行目标检测的边缘设备，首先确定边缘设备支持的深度学习框架，记所支持深度学习框架的数量为N。获取目标检测模型在边缘设备上运行于各个深度学习框架时所支持的模型输入分辨率，记第n个深度学习框架所支持的模型输入分辨率数量为M
n
，n＝1,2,
…
,N，将支持第m个模型输入分辨率的第n个深度学习框架记为f
n,m
，m＝1,2,
…
,M
n
，将所有深度学习框架f
n,m
构成深度学习框架集合F，然后获取每个深度学习框架f
n,m
在边缘设备的推断时间t
n,m
和平均功耗w
n,m
。
[0024]本专利技术所针对的是基于深度学习的目标检测方法，在开始深度学习项目之前，选择一个合适的框架是非常重要的，因为选择一个合适的框架能起到事半功倍的作用。因此本专利技术在开启边缘设备进行目标检测之前，首先确定其支持的深度学习框架。目前较为流行的深度学习框架有PaddlePaddle、Tensorflow、Caffe、Theano、MXNet、Torch、PyTorch、
TensorRT 16
‑
bit和TensoorRT 32
‑
bit。
[0025]在确定深度学习框架所支持的模型输入分辨率时，由于摄像机采集图像的分辨率通常大于模型输入分辨率，需要进行缩放，如何使得缩放后的采集图像尽可能包含更多的有效信息，可以根据摄像机采集图像的分辨率来对深度学习框架所支持的模型输入分辨率进行一次初步筛选，也就是说，深度学习框架的支持的模型输入分辨率，选用长宽比和摄像机采集图像分辨率长宽比最为相近的分辨率，即比例之差小于预设阈值的分辨率。图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘设备的目标检测方法，其特征在于，包括以下步骤：S1：根据实际需要选择目标检测模型，然后设置目标检测模型的检测时间、检测功耗和检测精度这三个检测性能指标的优先级，以及目标检测模型的检测时间上限T；S2：对于需要进行目标检测的边缘设备，首先确定边缘设备支持的深度学习框架，记所支持深度学习框架的数量为N；获取目标检测模型在边缘设备上运行于各个深度学习框架时所支持的模型输入分辨率，记第n个深度学习框架所支持的模型输入分辨率数量为M
n
，n＝1,2,
…
,N，将支持第m个模型输入分辨率的第n个深度学习框架记为f
n,m
，m＝1,2,
…
,M
n
，将所有深度学习框架f
n,m
构成深度学习框架集合F，然后获取每个深度学习框架f
n,m
在边缘设备的推断时间t
n,m
和平均功耗w
n,m
；S3：对于深度学习框架集合F，将其中推断时间t
n,m
超过检测时间上限T的深度学习框架删除，得到初步筛选后的深度学习框架集合F
′
；如果检测性能指标中优先级最高的是检测时间，那么将深度学习框架集合F
′
中检测时间...

【专利技术属性】
技术研发人员：何臻力，索珈顺，王汝欣，何婧，
申请(专利权)人：云南大学，
类型：发明
国别省市：