엣지 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.