电讯技术

作者：刘谦,王林林,周文勃

单位：(1.中国科学院国家空间科学中心，北京 100190;2.中国科学院大学 计算机科学与技术学院，北京 100049)

关键词：卷积神经网络(CNN)；目标识别；YOLOv5s；并行卷积加速结构；

基金：国家重点研发计划（2020YFE0202100）

为提升在资源受限情况下的嵌入式平台上卷积神经网络（Convolutional Neural Network,CNN）目标识别的资源利用率和能效，提出了一种适用于YOLOv5s目标识别网络的现场可编程门阵列(Field Programmable Gate Array,FPGA)共享计算单元的并行卷积加速结构，该结构通过共享3×3卷积和1×1卷积的计算单元提高了加速器硬件资源利用率。此外，还利用卷积层BN(Batch Normalization)层融合、模型量化、循环分块以及双缓冲等策略，提高系统计算效率并减少硬件资源开销。实验结果表明，加速器在200 MHz的工作频率下，实现的卷积计算峰值性能可达97.7 GOPS（Giga Operations per Second），其YOLOv5s网络的平均计算性可达78.34 GOPS，与其他FPGA加速器方案相比在DSP效率、能耗比以及整体性能等方面具有一定的提升。

来源：2024年第3期

《电讯技术》期刊编辑部

查看电讯技术杂志2024年第3期