Scalable Object Detection on Embedded Devices Using Weight Pruning and Singular Value Decomposition

要約

この論文では、重み枝刈りと特異値分解 (SVD) を組み合わせることにより、オブジェクト検出モデルを最適化する方法を提示します。
提案された方法は、https://universe.roboflow.com/roboflow-100/street-work から取得した街路作業画像のカスタム データセットで評価されました。
データセットは、611 のトレーニング イメージ、175 の検証イメージ、および 7 つのクラスを持つ 87 のテスト イメージで構成されます。
フレーム レート、平均精度 (mAP@50)、および重みのサイズに関して、最適化されたモデルのパフォーマンスを元の最適化されていないモデルと比較しました。
結果は、重みプルーニング + SVD モデルが、フレーム レート 1.48 FPS および重みサイズ 12.1 MB で 0.724 mAP@50 を達成し、元のモデル (0.717 mAP@50、1.50 FPS、および 12.3 MB) を上回ることを示しています。
すべてのモデルについて、適合率と再現率の曲線もプロットされました。
私たちの仕事は、提案された方法が、精度、速度、およびモデルサイズのバランスを取りながら、オブジェクト検出モデルを効果的に最適化できることを示しています。

要約(オリジナル)

This paper presents a method for optimizing object detection models by combining weight pruning and singular value decomposition (SVD). The proposed method was evaluated on a custom dataset of street work images obtained from https://universe.roboflow.com/roboflow-100/street-work. The dataset consists of 611 training images, 175 validation images, and 87 test images with 7 classes. We compared the performance of the optimized models with the original unoptimized model in terms of frame rate, mean average precision (mAP@50), and weight size. The results show that the weight pruning + SVD model achieved a 0.724 mAP@50 with a frame rate of 1.48 FPS and a weight size of 12.1 MB, outperforming the original model (0.717 mAP@50, 1.50 FPS, and 12.3 MB). Precision-recall curves were also plotted for all models. Our work demonstrates that the proposed method can effectively optimize object detection models while balancing accuracy, speed, and model size.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google