YOLO-ReT：在边缘 GPU 上实现高准确度的实时物体检测

随着目标检测模型的性能和规模不断提高，将其映射到边缘设备（例如 Jetson）涉及模型大小和准确性之间的权衡。尽管模型规模有所减小，但结果并不一定会提高速度或产生优化设计。《YOLO-ReT：在边缘 GPU 上实现高准确度的实时物体检测》提出了一种新的 GPU 友好型迁移学习模块，该模块通过 Backbone Truncation 和 Multi-Scale 特征交互提高了准确性和执行速度。该模块的测量性能改进在 Jetson Nano、Jetson Xavier NX 和 Jetson AGX Xavier 上使用 COCO 和 Pascal VOC 数据集进行了测试。该团队通过使用不同的后端架构和输入分辨率，展示了 YOLO-ReT 系列模型，该模型具有更低的延迟和更高的准确性。