Performance Oriented Faster YOLOv7 Variant for Real Time Industrial Systems
本文提出了一种面向性能的 YOLOv7 推理流水线改进方案，通过将预处理和后处理操作迁移至 GPU，以最大限度地减少 CPU 的参与和数据传输，在保持检测精度的同时，实现了高达 32% 的推理时间缩减，并提升了实时工业系统的效率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代技术的世界里，机器正日益学会如何“看”。这一被称为计算机视觉的领域，使计算机能够识别并定位图像中的物体，就像人类眼睛扫描繁忙街道以发现行人或车辆一样。为了让这些系统在工厂车间或自动驾驶汽车等快节奏环境中发挥作用，它们不仅必须准确，还必须极其迅速。它们需要实时处理视频帧，在没有延迟的情况下做出瞬时的决策。完成这项任务最流行的工具之一是一个名为 YOLO 的系统，其全称为“You Only Look Once”（你只需看一次）。它旨在通过单次扫描整幅图像来发现其中的内容，在速度与精度之间取得平衡。然而，即使是这些最先进的版本也经常面临一个隐藏的障碍：它们在实际检测发生前后处理数据的方式。虽然系统的核心“大脑”运行在强大的图形芯片上，但准备图像和清理结果的步骤通常在主处理器上进行，这造成了导致整体变慢的“交通堵塞”。
一位名叫 Çağatay Çoban 的研究员，在土耳其的一家技术中心工作，致力于解决工业系统中这一特定的瓶颈问题。他的目标不是重新设计已经非常擅长工作的机器“大脑”，而是疏通通往和离开大脑的道路。在标准设置中，视频流由主处理器进行解码和准备，然后被运送到图形芯片进行分析，最后再传回主处理器进行整理。这种数据的不断往返运动造成了延迟。Çoban 提出了一种运行系统的新方法，将准备和清理步骤直接移至图形芯片上，使数据能够留在原地，并在整个过程中顺畅流动，无需不必要的停顿。通过这样做，该系统最大限度地减少了等待数据在计算机不同部件之间移动的时间。
为了测试这个想法，研究人员使用了 YOLOv7 模型（一种备受推崇的检测系统版本），并将这些改进应用于现实世界的视频流。实验涉及观察各种环境下的无人机飞行以及在复杂场景中检测手部。结果显而易见：修改后的系统处理视频的速度显著加快。在某些测试中，分析一段视频所需的时间缩短了近一半，每秒处理的帧数也明显增加。例如，一段使用标准方法需要超过 81 秒处理的视频，使用新方法仅需不到 44 秒即可完成。另一项测试显示，处理时间从接近 360 秒减少到了约 204 秒。至关重要的是，这种速度提升并没有以牺牲准确性为代价。该系统识别出的物体数量及其精度水平与原始版本完全一致，这证明了这些改变在不削弱检测能力的前提下，优化了工作流。
研究还表明，这种效率的提升并不需要计算机以至于使其过热或过度消耗电量的方式去更努力地工作。图形芯片使用的容量略有增加，但幅度很小，这表明系统只是更明智地利用了其现有功率，而不是索取更多资源。对于工业应用而言，这是一个至关重要的区别，因为这些系统通常在固定的硬件上持续运行。该研究表明，通过重新组织数据在系统中的流动方式，可以在不牺牲监控生产线或追踪无人机等安全关键型任务所需的可靠性的情况下，实现更平滑、更快速的性能。这项工作表明，对于许多实时应用而言，提升性能的路径不仅在于构建更智能的算法，还在于消除阻碍它们的摩擦。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。