Blog

Sep 27, 2023

TinyissimoYOLO KI-Objekterkennung für Mikrocontroller mit geringem Stromverbrauch ...

Das Team der ETH, das an TinyissimoYOLO arbeitet, ermöglichte die Objekterkennung in der Industrie

Das Team an der ETH, das an TinyissimoYOLO arbeitet, ermöglichte die Objekterkennung auf Industrie-Mikrocontrollern mit Milliwatt Leistung und mit weniger als 500 Kbit Speicher zum Speichern von Gewichten im Convolutional Neural Network (CNN).

Die quantisierte Netzwerkarchitektur verfügt über 422 k Parameter und ermöglicht die Objekterkennung in Echtzeit auf eingebetteten Mikrocontrollern und kann CNN-Beschleuniger verwenden, die auf den Chips immer beliebter werden. Das vorgeschlagene Netzwerk wurde insbesondere auf dem Mikrocontroller MAX78000 eingesetzt und erreicht eine hohe Bildrate von bis zu 180 fps und einen extrem niedrigen Energieverbrauch von nur 196 μJ pro Inferenz mit einer Inferenzeffizienz von mehr als 106 MAC/Zyklus.

TinyissimoYOLO kann für jede Multi-Objekt-Erkennung trainiert werden, dies erhöht jedoch die Größe und den Speicherverbrauch des Netzwerks. Daher zeigte das Team die Objekterkennung mit bis zu 3 Klassen mit 8-Bit-Quantisierung auf verschiedenen Mikrocontrollern wie STM32H7A3, STM32L4R9, Apollo4b und auf dem CNN-Beschleuniger des MAX78000.

Die Eingabebildgröße wurde so gewählt, dass sie alle gängigen Mikrocontroller unterstützt. Der begrenzende Faktor ist der CNN-Beschleuniger des MAX78000, der ohne Verwendung eines speziellen Modus keine CNN-Eingaben größer als 90 x 91 unterstützt. Daher wird eine Eingabe von 88×88 gewählt, da dies ein Kompromiss zwischen der Maximierung der Bildgröße und der Möglichkeit ist, die Eingabeabmessungen zu bündeln, ohne die Abmessungen abzurunden.

Das Papier finden Sie unter: arxiv.org/pdf/2306.00001.pdf

www.eth.ch