目标检测YOLO实战应用案例100讲-智能目标检测系统在FPGA中的设计与实现

目录

基于FPGA的目标检测系统的设计与实现 

深度学习硬件加速技术研究现状 

相关理论与技术概述 

2.1 卷积神经网络基本组成 

2.2 FPGA技术及其开发工具概述 

2.3 面向FPGA实现的优化方法 

 面向FPGA的目标检测算法分析 

3.1 FPGA 硬件平台介绍 

3.2 MobileNet-SSD网络结构分析 

3.3 MobileNet-SSD网络模型训练 

3.4 目标检测算法软硬件任务分配 

目标检测系统软硬件设计 

4.1 系统设计目标  

4.2 目标检测系统框架设计 

4.3 目标检测系统的软件设计 

4.4 目标检测系统的硬件设计 

4.5 系统工程构建 

系统测试与分析 

5.1 实验环境介绍 

5.2 测试方案 

5.3 测试结果分析 

智能目标检测系统在FPGA中的设计与实现 

 目标检测算法理论分析与硬件基础 

2.1 卷积神经网络及其在目标检测领域的应用 

 2.2 YOLOv4-Tiny算法计算原理分析 

2.3 硬件架构优化技术研究 

2.4 数据集和评价指标 

目标检测算法加速架构设计 

3.1 硬件实现平台和架构简介 

3.2 YOLOv4-Tiny算法的改进与优化 

3.3 加速器硬件架构设计 

3.4 硬件模块优化 

目标检测系统的实现与验证 

4.1 目标检测系统的实现

4.2 相关辅助模块技术基础 

4.3 图像预处理模块设计 

4.4 字符叠加模块的设计与实现 

4.5 EMIF寄存器配置的设计与实现 

4.6 RapidIO模块的设计与实现 

4.7 系统验证与结果分析 

---

基于FPGA的目标检测系统的设计与实现 
 

深度学习硬件加速技术研究现状 

随着各种深度学习算法的蓬勃发展，对处理平台的性能要求也就越来越高，具
有高速度、低功耗、高灵活度等特点的平台，将是各类深度学习算法落地的重要基
石。目前，在深度学习算法硬件加速研究方面，主流的硬件平台有３种[16]：GPU、
ASIC与FPGA。 
GPU起初是用于视频图像任务的处理，擅长大量数据的多内核并行处理，具
有高计算力、高带宽与高并行性等特点，并且具有软件可编程性且支持多种软件库，
能够非常灵活的处理各种任务，尤其是简单的重复性任务。而深度学习算法通常需
要进行反复且规律性的计算，计算过程较为简单但计算量尤为庞大，因此，GPU被
大量应用在深度学习领域的模型训练方面。随着人工智能技术的应用深入到人们
生活的方方面面，各大企业都竞相推出了多款用于深度学习加速的高性能GPU芯
片。2017年