基于FPGA的YOLOv2网络研究与实现

发布时间：2021-01-14 08:47

　　目标检测是计算机视觉基本任务之一,随着深度学习时代的到来,基于卷积神经网络的目标检测算法得到长足的发展,然而算法的产品化落地问题还亟待解决。YOLOv2检测网络作为一个性能优良且能达到实时性要求的目标检测算法,具有结构简单,网络层数相对较少的优点,是将目标检测算法进行产业化落地的一个很好的选择。FPGA的并行计算、可重构性与低功率使得其是将基于卷积神经网络的目标检测算法移植到嵌入式系统一个很好的平台方案。首先,为了在FPGA平台上能更高效部署YOLOv2检测网络,本文对YOLOv2检测网络的存储空间以及计算方式利用增量网络量化的方法进行优化,将单精度浮点数格式的权值量化成2的整次幂,利用4位位宽对其进行编码,使得YOLOv2检测网络模型大小减少了近8倍,同时,卷积层中的浮点数乘法可以转化成定点数的移位操作,并且量化后的YOLOv2网络在Pascal VOC2007数据集上的检测性能与量化前的性能保持一致。其次,考虑到YOLOv2检测网络是在卷积神经网络的基础上提出的,为了我们的设计适用于其他的基于卷积神经网络的目标检测算法,本文分析了并且在FPGA上实现卷积神经网络通用的模块,通过对各... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

YOLOv1网络结构

量 :1lT l L来记录， ( , ) 0lT i j ， ( , )lW i j 用于量化； ( , ) 1lT i j ， 用于更新。重新训练的目的是为了将由量化造成的损失降至最小，如公式（2-6）所示：min ( ) ( ) ( ). ( , ) , ( , ) 0,1ll l lWl l lE W L W R Ws t W i j P if T i j l L (2-6)其中， ( )lL W 是模型为 :1lW dl Ld的网络损失， ( )lR W 为正则化项。重新训练的时候，更新权值如公式（2-7）所示：( , ) ( , ) ( , )( , )l l lldEW i j W i j T i jdW i j (2-7)其中 为学习率。增量网络量化的算法流程如图 2-4 所示：输入：训练数据 X，预训练模型 : ≤ ≤ ，量化权值占的累计比重 。

1 2 3 4 56 7 8 9 1011 12 13 14 1516 17 18 19 2021 22 23 24 251 0 10 1 01 0 022 26 3042 46 5062 66 70*输入的特征图 卷积核 输出的特征图图 3-15 特征图不加 padding 的二维卷积理论结果不加 padding 的二维卷积的仿真结果如图 3-16 所示，从仿真波形图可以看出，有些滑动窗口不是卷积窗口，因此计算结果不是连续的，可以使用输出使能信号来记录哪个输出是有效的，也可以使用一个 FIFO 将有效的输出缓冲。通过对比，仿真结果与理论结果是一致的，因此特征图不加 padding 的二维卷积模块通过功能仿真验证。


本文编号：2976599