摘 要：針對當前目標檢測技術(shù)在智能汽車上所需的體積小、能效比高、檢測速度快、精度高等要求，提出了一種新型嵌入式道路交通目標檢測設(shè)計。該方案以ＹＯＬＯｖ３ 為基礎(chǔ)網(wǎng)絡(luò)模型，通過新增網(wǎng)絡(luò)檢測層和網(wǎng)絡(luò)剪枝技術(shù)分別提升網(wǎng)絡(luò)的檢測精度和檢測速度，在硬件端以深度處理單元（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ，ＤＰＵ）為核心搭建了底層硬件平臺，對網(wǎng)絡(luò)的卷積計算進行并行加速，改進后的模型通過量化和編譯后可以部署至ＦＰＧＡ＋ＡＲＭ 異構(gòu)平臺。經(jīng)測試，在ＫＩＴＴＩ 數(shù)據(jù)集上的檢測精度為８５． ３２％ ，功耗為８． ２ Ｗ，檢測幀率為３１． ２ Ｈｚ，算力功耗比達到５８． ３ ＧＯＰｓ ／ Ｗ，是ＲＴＸ ２０６０ ｓｕｐｅｒ 型ＧＰＵ 的３． ９ 倍，Ｉｎｔｅｌ ｉ７-１２４００ 型ＣＰＵ 的９． ３ 倍。實驗結(jié)果表明，該方案滿足道路交通目標檢測設(shè)計要求，相較常用目標檢測平臺ＧＰＵ，所提方案的部署空間小、功耗低，更適于靈活部署在空間緊湊、能源供給受限的智能汽車中。

關(guān)鍵詞：智能汽車；目標檢測；深度學習；嵌入式；ＦＰＧＡ

中圖分類號：Ｕ４６１． ９９ 文獻標志碼：Ａ

文章編號：１００３－３１１４（２０２４）０５－１００８－０８

０ 引言

近年來，我國的汽車產(chǎn)業(yè)不斷升級發(fā)展［１］，新能源電動汽車的銷量比重不斷增加［２］，汽車逐漸向科技化、智能化發(fā)展［３］。智能汽車上的自動駕駛技術(shù)以及行車的安全檢測都離不開目標檢測技術(shù)，傳統(tǒng)的目標檢測通過人工設(shè)計并手動提取特征，檢測精度不高。隨著深度學習技術(shù)以及卷積神經(jīng)網(wǎng)絡(luò)的崛起［４］，深度學習算法已經(jīng)取代傳統(tǒng)算法，成為當前目標檢測任務(wù)的主流算法［５］。

常規(guī)的深度學習算法通常部署在高性能的計算機中，計算機體積大、功耗高，不便于安裝在汽車內(nèi)。將目標檢測算法部署到嵌入式邊緣設(shè)備上能夠有效解決上述問題，邊緣設(shè)備的功耗較低、體積較小可以靈活地進行安裝部署［６］。當前的深度學習邊緣部署主要使用ＡＳＩＣ 平臺［７］，但ＡＳＩＣ 是一種定制化平臺，通常只針對單一模型，且從設(shè)計、驗證到流片階段需要消耗大量時間和資金，設(shè)計完成后也難以進行更改，面對快速發(fā)展的神經(jīng)網(wǎng)絡(luò)模型很難保證能夠及時適應(yīng)。而ＦＰＧＡ 憑借其硬件結(jié)構(gòu)具備的可重構(gòu)性［８］和低功耗特點［９］，可以靈活地進行設(shè)計和修改，能夠更好地適應(yīng)網(wǎng)絡(luò)模型的升級、調(diào)整、部署。

針對ＦＰＧＡ 神經(jīng)網(wǎng)絡(luò)模型部署問題，陳辰等［１０］設(shè)計了基于ＦＰＧＡ 的單指令流多數(shù)據(jù)流卷積神經(jīng)網(wǎng)絡(luò)加速器架構(gòu)，通過高層次綜合方法部署ＹＯＬＯｖ２網(wǎng)絡(luò)，對加速器的性能和資源耗費進行深入分析和建模，但高層次綜合生成的代碼可讀性差，很難進一步優(yōu)化。陳浩敏等［１１］提出了基于ＹＯＬＯｖ３ｔｉｎｙ 的網(wǎng)絡(luò)模型加速器，通過輕量化網(wǎng)絡(luò)模型，滿足了嵌入式領(lǐng)域的部署要求，然而輕量化后網(wǎng)絡(luò)的精度較低。武世雄等［１２］提出了一種基于參數(shù)量化的卷積神經(jīng)網(wǎng)絡(luò)加速器，該加速器對參數(shù)進行了８ ｂｉｔ 定點量化和重新排序，有效減少了內(nèi)存占用和訪存次數(shù)，提高了帶寬的利用率，同時該研究采用滑動窗口間并行策略進行加速，提高了圖像分類速度。

上述幾種方案都在ＦＰＧＡ 上對神經(jīng)網(wǎng)絡(luò)進行部署，但是此類加速器均要求對單一網(wǎng)絡(luò)進行硬件上的單一設(shè)計優(yōu)化，靈活性較低，對于非專業(yè)硬件開發(fā)人員來說，開發(fā)難度大、周期較長，難以適應(yīng)快速迭代的神經(jīng)網(wǎng)絡(luò)模型部署。因此，需要一種普適性強、能夠?qū)镜木W(wǎng)絡(luò)模型算子支持、開發(fā)周期短、開發(fā)流程簡潔的神經(jīng)網(wǎng)絡(luò)模型加速方法。

針對上述問題，本文提出了一種基于ＦＰＧＡ＋ＡＲＭ 異構(gòu)平臺的道路交通目標檢測方案，通過增加網(wǎng)絡(luò)檢測層得到改進的ＹＯＬＯｖ３４Ｌ 網(wǎng)絡(luò)來提升模型檢測精度，通過剪枝、量化等方式降低網(wǎng)絡(luò)的參數(shù)和計算量得到ＹＯＬＯｖ３４Ｌｐｒｕｎｅ 網(wǎng)絡(luò)來提升檢測速度，在底層硬件端以深度處理單元（Ｄｅｅｐ ＬｅａｒｎｉｎｇＰｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ，ＤＰＵ）為核心，構(gòu)建硬件平臺對卷積運算進行并行加速，在部署環(huán)節(jié)通過Ｘｉｌｉｎｘ 公司Ｖｉｔｉｓ ＡＩ 平臺進行網(wǎng)絡(luò)量化、編譯、生成執(zhí)行文件等方式對網(wǎng)絡(luò)進行部署，實現(xiàn)了嵌入式平臺道路交通目標檢測設(shè)計。

１ 目標檢測算法優(yōu)化

ＹＯＬＯｖ３［１３］是一種廣泛使用的目標檢測算法，通過回歸的方式檢測目標物體的種類和具體的位置，其檢測精度高、模型大小適中，適合部署到邊緣設(shè)備上。算法原始的３ 層特征尺度檢測時部分微小汽車目標以及重疊汽車目標會被漏檢，改進ＹＯＬＯｖ３４Ｌ 網(wǎng)絡(luò)結(jié)構(gòu)如圖１ 所示，本文對原始算法結(jié)構(gòu)進行了修改。