[发明专利]基于FPGA加速的Winograd YOLOv2目标检测模型方法

说明书

本发明公布了一种基于FPGA加速的Winograd YOLOv2目标检测模型方法，采用PYNQ板卡，PYNQ板卡的主控制芯片包括处理系统端PS和可编程逻辑端PL；其中PS端将YOLO模型及待检测图像的特征图数据进行缓存；PL端将YOLO模型的参数与待检测图像缓存到片上RAM中，部署带有Winograd算法的YOLO加速器，完成对模型加速运算，形成硬件加速器的数据通路，实现对待检测图像的目标检测；还可将加速电路运算结果读出，并进行图像预处理和显示。采用本发明的技术方案，能够降低YOLO算法的计算复杂度，FPGA加速器存储优化算法缩减了FPGA在加速YOLO算法时的计算时间，加速目标检测，有效提升目标检测的性能。

技术领域

本发明属于计算机视觉和边缘计算技术领域，涉及一种针对目标检测模型的FPGA加速器设计方法。

背景技术

近年来，随着机器视觉和边缘计算的发展，基于深度学习网络的目标检测与识别网络模型得到了很大的发展，并且在视频场景监控，机器人控制，以及无人驾驶汽车等领域实现了大量的应用。具有代表性的模型有single-shot-multibox-detection(SSD)、FasterR-CNN以及you-only-look-once(YOLO网络模型)系列，其中，YOLO算法具有更快、更准确的性能优势。

基于深度学习网络的目标检测与识别模型大部分都是在图像处理器(GraphicProcessing Units,GPU)中完成，由于其并行化计算单元数量众多，在存在大量重复乘加运算的卷积神经网络中表现出来的性能优势更加突出。但是边缘计算需要在体积小、运算快、功耗低的计算设备运行，因此GPU很难满足上述要求。在满足边缘计算要求中表现突出的有专用集成芯片(application-specific integrated circuit，ASIC)和FPGA，FPGA的优势在于1)高灵活性：FPGA能够执行ASIC能够执行的任何逻辑功能，独特优势在于随时可以改变芯片功能；2)开发时间短：FPGA无需进行流片可直接进行编程；3)成本低：相比于ASIC无需流片的成本，更加适合小规模使用。

Suda等人提出了使用OpenCL框架的定点化卷积神经网络加速设计，提出了一种系统的方法，在给定的FPGA资源限制下最小化执行时间。(Suda N，Chandra V，Dasika G，etal.Throughput-optimized OpenCL based FPGA accelerator for large-scaleconvolutional neural networks[C].Proceedings of the 2016ACM/SIGDAInternational Symposium on Field-Programmable Gate Arrays.ACM.2016.16-25.)

Aydona等人设计的OpenCL加速系统，通过将所有中间特征缓存在芯片上，并利用Winograd算法来减少卷积的乘累加运算，从而大大提高了性能。(Ling A C，Aydonat U，O'Connell S，et al.Creating High Performance Applications with Intel's FPGAOpenCL^TMSDK[C].the 5th International Workshop.ACM，2017.)