Page 50 - My FlipBook
P. 50
工
智
慧
計
畫
Arti cial Intelligence Projects 搭 載 了 CSPNet backbone 的 detector 在 物 件 偵 測 任 務 便能以 3.35 倍的推論速度 (67 fps vs 20 fps) 運行物件偵測
上取得了優越的性能。表一所列為與當今 state-of-the- 模型並達到同等的準確度 (42.7% vs 42.8%)。這同時也意
art 方法比較的結果，我們的模型在同等級的準確度要 味著 CSPNet 適用的場景更加廣泛，能使用成本更低的
視訊擷取設備 ( 適用於低階到高階的任意相機或手機，
求 下， 推 論 速 度 遠 超 過 其 他 方 法。 與 其 他 人 工 設 計 的 而不受限於高解析度昂貴攝影機 ) 、更輕便的運算設備
model 相 比 普 遍 快 了 50% 到 300%， 而 與 基 於 Network (CSPNet 可以用一張 1080ti 達到超過 SM-NAS 使用兩張
Architecture Search (NAS) 的 方 法 相 比 亦 有 30% 以 上 速 V100 的推論速度，成本分別為新台幣 3 萬與新台幣 60 萬 )
度 的 提 升。 與 AAAI 2020 發 表 的 Structural-to-Modular
Network Architecture Search (SM-NAS) 方法相比，CSPNet 來完成任務。
僅需使用更低的 image resolution (512×512 vs 800×600)
表一： CSPNet 與最新的 state-of-the-art adtectors 的性能比較。
CSPNet 在運算資源受限制時優勢更為明顯（如圖三）， 到 102 fps 和 72 fps 的運行速度，以上這些數據及表現，
與 state-of-the-art 方法相比，無論在怎樣的推論速度下 代 表 我 們 的 CSPNet 能 夠 將 AIOT 推 廣 到 everything 與
CSPNet 皆取得了最好的表現。與當前最佳的輕量模型 everywhere。另外，因為 CSPNet 能減少 10% 到 20% 的
ThunderNet 比較，CSPNet 在更高的準確度條件下提升 記憶體空間需求、10% 到 30% 的運算量、40% 到 80% 的
了 GPU 上 133 fps 的運行速度達到了 400 fps，這意味著 記憶體頻寬需求的優勢，更能大幅降低 AI 專用 ASIC 硬
該模型可使用單 GPU 同時運作約 12 路攝影機的即時智
慧型監控系統。並且，該模型能於 CPU 和 TX2 上分別達 體開發成本及後續能量耗損並提高穩定度。
圖三：CSPNet 與不同的 state-of-the-art adtectors 的性能比較。
48
智
慧
計
畫
Arti cial Intelligence Projects 搭 載 了 CSPNet backbone 的 detector 在 物 件 偵 測 任 務 便能以 3.35 倍的推論速度 (67 fps vs 20 fps) 運行物件偵測
上取得了優越的性能。表一所列為與當今 state-of-the- 模型並達到同等的準確度 (42.7% vs 42.8%)。這同時也意
art 方法比較的結果，我們的模型在同等級的準確度要 味著 CSPNet 適用的場景更加廣泛，能使用成本更低的
視訊擷取設備 ( 適用於低階到高階的任意相機或手機，
求 下， 推 論 速 度 遠 超 過 其 他 方 法。 與 其 他 人 工 設 計 的 而不受限於高解析度昂貴攝影機 ) 、更輕便的運算設備
model 相 比 普 遍 快 了 50% 到 300%， 而 與 基 於 Network (CSPNet 可以用一張 1080ti 達到超過 SM-NAS 使用兩張
Architecture Search (NAS) 的 方 法 相 比 亦 有 30% 以 上 速 V100 的推論速度，成本分別為新台幣 3 萬與新台幣 60 萬 )
度 的 提 升。 與 AAAI 2020 發 表 的 Structural-to-Modular
Network Architecture Search (SM-NAS) 方法相比，CSPNet 來完成任務。
僅需使用更低的 image resolution (512×512 vs 800×600)
表一： CSPNet 與最新的 state-of-the-art adtectors 的性能比較。
CSPNet 在運算資源受限制時優勢更為明顯（如圖三）， 到 102 fps 和 72 fps 的運行速度，以上這些數據及表現，
與 state-of-the-art 方法相比，無論在怎樣的推論速度下 代 表 我 們 的 CSPNet 能 夠 將 AIOT 推 廣 到 everything 與
CSPNet 皆取得了最好的表現。與當前最佳的輕量模型 everywhere。另外，因為 CSPNet 能減少 10% 到 20% 的
ThunderNet 比較，CSPNet 在更高的準確度條件下提升 記憶體空間需求、10% 到 30% 的運算量、40% 到 80% 的
了 GPU 上 133 fps 的運行速度達到了 400 fps，這意味著 記憶體頻寬需求的優勢，更能大幅降低 AI 專用 ASIC 硬
該模型可使用單 GPU 同時運作約 12 路攝影機的即時智
慧型監控系統。並且，該模型能於 CPU 和 TX2 上分別達 體開發成本及後續能量耗損並提高穩定度。
圖三：CSPNet 與不同的 state-of-the-art adtectors 的性能比較。
48
