Real-Time FPGA-Based Object Detection with Bit-Width Adaptive Quantization
Notice bibliographique
Résumé
Real-time object detection on edge devices such as drones and IoT systems requires high-throughput, low-latency inference within limited hardware resources.This paper presents a hardware-aware deployment framework for the YOLOv2-Tiny object detector on FPGA, targeting low-latency and high-throughput inference in real-time edge applications. Most existing FPGA-based object detectors either skip quantization or adopt static, uniform bit-widths without considering layer-wise latency sensitivity, leading to inefficient hardware utilization and suboptimal throughput. To address this limitation, we propose a latency-guided mixed-precision quantization scheme that assigns 4-, 6-, and 8-bit representations based on each layer’s computational demand. This assignment is driven by detailed inference-time profiling of layer latency and MAC operations on the YOLOv2-Tiny network. The proposed quantization strategy is integrated into the Vitis AI toolchain and deployed on the ZCU102 board using the DPUCZDX8G accelerator. Experimental results demonstrate the effectiveness of our method: the system achieves 41 FPS at 150 MHz, outperforming prior FPGA- and GPU-based YOLOv2-Tiny implementations by up to 25% in frame rate. The Proposed maintains detection accuracy while significantly reduces model size and resource usage, offering a practical solution for embedded vision systems under strict power and latency constraints.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».