Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 AMD FPGA 기반 엣지 AI 가속을 위해 어텐션 메커니즘을 DPU에 맞게 근사화한 YOLO 변종 아키텍처를 제안합니다. YOLOv26과 YOLOv11 모델을 다양한 벤치마크에서 평가했으며, 전력 효율성을 극대화하는 데 초점을 맞췄습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기엣지 기반 인공지능(AI) 가속은 최근 실시간 객체 탐지 분야에서 발전을 이루었습니다. 엣지 장치에서의 객체 탐지는 정확도, 속도, 전력 효율성 간의 균형을 요구합니다. 본 논문은 AMD FPGA에 배포되는 어텐션 기반 YOLO 변종을 위해 맞춤화된 Deep Learning Processor Unit (DPU) 인식 아키텍처를 제안합니다. 구체적으로, 우리는 두 가지 최신 어텐션 기반 YOLO 변종인 YOLOv26과 YOLOv11을 Xilinx ZCU104에서 표준 및 방향성 객체 탐지 작업 모두에 걸쳐 평가하고 벤치마킹했습니다. 우리는 지원되지 않는 활성화 함수를 대체하고, 분할 연산(split operations)을 1x1 컨볼루션으로 대체하며, 공간 어텐션 메커니즘을 DPU와 호환되는 방식으로 근사화합니다. 이후 모든 모델은 COCO, Pascal VOC, KITTI, DOTA, DIOR-R 및 자체 구축한 인간 존재 데이터셋과 같은 여섯 가지 벤치마크 데이터셋에 걸쳐 학습되고 평가되었으며, mAP, FPS, 지연 시간(latency), 전력, 자원 활용 측면에서 모든 여덟 가지 DPU 구성(B512부터 B4096까지)을 통해 벤치마킹되었습니다. 주목할 만한 점은 YOLOv26n과 YOLOv26n-OBB가 각각 표준 및 방향성 탐지에서 34.05 FPS와 29.55 FPS로 가장 높은 엔드투엔드 처리량(throughput)을 제공하며, 양자화(quantization)로 인해 정확도가 평균 5% 절대 감소하는 것에도 불구하고 기존 최신 기술 대비 최대 약 3배 낮은 전력 소비를 달성한다는 것입니다.