Investigadores de la Universidad de Maryland y la Universidad Johns Hopkins se han unido para crear un eficaz modelo de detección de objetos.
El dispositivo, bautizado como Squeezed Edge YOLO, se ha diseñado para funcionar en plataformas informáticas diminutas. Como su nombre indica, el modelo se ha comprimido hasta un tamaño minúsculo de kilobytes, lo que aumenta considerablemente la eficiencia energética respecto a los modelos YOLO tradicionales optimizados para el aprendizaje automático basado en bordes.
Para lograrlo, los investigadores se centraron en optimizar su modelo para la arquitectura de hardware GAP8, que consta de un microcontrolador principal, un procesador adicional de ocho núcleos y varios aceleradores de hardware. Trabajaron en el modelo EdgeYOLO, en la reducción del tamaño de las imágenes de entrada.
El nuevo algoritmo se probó en un par de plataformas Edge Computing: un AI-deck con un microcontrolador GAP8 y un NVIDIA Jetson Nano con 4 GB de RAM. Tras entrenar el modelo Squeezed Edge YOLO con más de 8.000 imágenes, se evaluaron las capacidades de detección de objetos. En comparación con EdgeYOLO, el nuevo sistema era 3,3 veces más rápido y consumía un 76% menos de energía. Además, el Squeezed Edge YOLO es 8 veces más pequeño que el EdgeYOLO.
La capacidad de detección de objetos del nuevo modelo no difiere significativamente de la de modelos más grandes. Esta combinación de precisión y eficiencia podría permitir utilizar Squeezed Edge YOLO en una amplia gama de vehículos autónomos en el futuro.
Para lograrlo, los investigadores se centraron en optimizar su modelo para la arquitectura de hardware GAP8, que consta de un microcontrolador principal, un procesador adicional de ocho núcleos y varios aceleradores de hardware. Trabajaron en el modelo EdgeYOLO, en la reducción del tamaño de las imágenes de entrada.
El nuevo algoritmo se probó en un par de plataformas Edge Computing: un AI-deck con un microcontrolador GAP8 y un NVIDIA Jetson Nano con 4 GB de RAM. Tras entrenar el modelo Squeezed Edge YOLO con más de 8.000 imágenes, se evaluaron las capacidades de detección de objetos. En comparación con EdgeYOLO, el nuevo sistema era 3,3 veces más rápido y consumía un 76% menos de energía. Además, el Squeezed Edge YOLO es 8 veces más pequeño que el EdgeYOLO.
La capacidad de detección de objetos del nuevo modelo no difiere significativamente de la de modelos más grandes. Esta combinación de precisión y eficiencia podría permitir utilizar Squeezed Edge YOLO en una amplia gama de vehículos autónomos en el futuro.