References
- C.-Y. Wang et al., "YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information," arXiv preprint, arXiv:2402.13616, 2024
- Yipeng Sun, Andreas MKist, "Deep Learning on Edge TPUs" arXiv preprint, arXiv: 2108.13732, 2021
Annual Conference of KIPS (한국정보처리학회:학술대회논문집)
- 2024.10a
- /
- Pages.563-564
- /
- 2024
- /
- 2005-0011(pISSN)
- /
- 2671-7298(eISSN)
DOI QR Code
Research on the implementation of real-time video instance segmentation of customized YOLOv9 using transfer learning in a Raspberry Pi 5 and Edge TPU Accelerator Environment
라즈베리 파이 5와 Edge TPU 환경에서 전이 학습을 활용한 맞춤형 YOLOv9 모델의 실시간 영상 객체 분할 구현에 관한 연구
- Seung-Min Park (Dept. of Computer software, Dong seoul University) ;
- Jang-Won Suh (Dept. of Computer software, Dong seoul University)
- 박승민 (동서울대학교 컴퓨터소프트웨어학과) ;
- 서장원 (동서울대학교 컴퓨터소프트웨어학과)
- Published : 2024.10.31
Abstract
본 연구는 YOLOv9의 세그멘테이션 전용 모델인 YOLOv9c-seg을 교육용 임베디드 시스템인 라즈베리 파이 5와 Google Coral Edge TPU 환경에서 실시간 객체 분할 성능을 평가하였다. YOLOv9-seg모델을 커스텀 데이터셋(Customized Dataset)으로 파인튜닝(Full Fine Tuning)하여 TF Edge TPU 포맷으로 변환하여 추론 속도와 메모리 사용량을 크게 개선하였다. 실험 결과, 변환된 모델은 PT(Pytorch)형식의 기존 모델과 유사한 성능을 유지하면서도 평균 추론 시간이 80.14ms 단축되고, FPS가 21.12프레임 증가하여 실시간 성능이 향상되었다. 이는 Edge TPU가 정수 양자화된 모델에 최적화되어 처리 속도와 효율성을 극대화할 수 있음을 보여준다. 본 연구는 엣지 컴퓨팅(Edge Computing) 환경에서 실시간 객체 분할의 가능성을 제시하였다.
Keywords