评估深度学习模型的推理性能,以实时检测嵌入式计算机中的杂草
Canicius Mwitta1,2, Glen C Rains2, Eric Prostko3
1College of Engineering, University of Georgia, Athens, GA 30602, USA.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
研究人员评估了在嵌入式计算机上实时检测杂草的深度学习模型. YOLOv4和YOLOv4-tiny展示了有效的杂草识别和处理速度,适合农业机器人.
科学领域:
- 农业机器人农业机器人
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确的杂草控制对于减少农业垃圾和提高生产率至关重要.
- 开发除草剂的替代品是必要的,因为越来越多的杂草耐药性.
- 深度学习模型提供了强大的杂草检测,但通常需要大量的计算资源,限制了它们在便携式机器人平台上的使用.
研究的目的:
- 评估实时深度学习模型在嵌入式计算机上用于杂草检测的性能.
- 在Nvidia Jetson Xavier AGX上比较YOLOv4,EfficientDet和CenterNet的准确性和推断速度.
- 评估像YOLOv4-tiny这样的轻量级模型在资源有限的机器人系统上实时应用的可行性.
主要方法:
- 在Nvidia Jetson Xavier AGX嵌入式计算机上测试了YOLOv4,EfficientDet和CenterNet.
- 评估了13种杂草物种的检测准确性.
- 测量了嵌入式计算机上的推理速度,并将其与强大的深度学习PC进行了比较.
- 包括YOLOv4-tiny来评估速度和准确性之间的性能权衡.
主要成果:
- 在嵌入式计算机上,YOLOv4实现了平均80ms/image (14fps) 的推断速度,平均精度 (mAP) 为93.4%,IOU为50%.
- YOLOv4-tiny表现出 24.5 ms/image (52 fps) 的显著更快的推断速度,mAP 略有降低,在 50% IoU 时达到 89%.
- 这两种模型都在嵌入式系统上显示了可行的实时性能.
结论:
- YOLOv4为嵌入式系统的实时杂草检测提供了准确性和速度的强大平衡.
- 当更高的处理速度至关重要时,YOLOv4-tiny提供了一个优秀的选择,在最小的准确性妥协下.
- 这些发现支持在农业中部署基于深度学习的自主杂草检测系统.
