@techreport{oai:ipsj.ixsq.nii.ac.jp:00227114,
 author = {上山, 大和 and 近藤, 鯛貴 and 竹田, 大将 and 佐藤, 裕幸 and Haruto, Kamiyama and Taiki, Kondo and Hiromasa, Takeda and Hiroyuki, Sato},
 issue = {3},
 month = {Jul},
 note = {通信技術の発展およびコンピュータの小型化によりエッジデバイスの需要と用途は増加の一途をたどる．幅広い分野で物体検出が活用されるようになり，エッジデバイスで推論モデルを実行することも増えたがエッジデバイスと物体検出の最適な組み合わせはまだ確たるものはない．今回は車載システムを想定した条件下においてエッジデバイスと物体検出の評価を行う．本論文では NVIDIA GPU で高速化できる複数の Jetson デバイスで物体検出アルゴリズムのベンチマークを計測した．ベンチマークに使用する推論モデルには速度と精度のトレードオフに優れた YOLOv7 を使用する．計測時には TensorRT による量子化を行い，整数 8 ビット型で推論した．計測の結果，Jetson AGX Orin は最大 325FPS での人物検出が可能でリアルタイム推論に十分な速度を備えていることを確認した．また，もっとも，量子化による高速化が大きかったのは Jetson AGX Xavier の 2.61 倍という結果になった．, The demand and applications of edge devices are increasing due to the development of communication technology and the miniaturization of computers. Object detection has come to be used in a wide range of fields, and inference models are increasingly being run on edge devices, but the optimal combination of edge devices and object detection has not been determined. This time, we evaluate the edge device and object detection under the conditions assuming the in-vehicle system. In this paper, we benchmark an object detection algorithm on multiple Jetson devices that can be accelerated by NVIDIA GPUs. The inference model used for the benchmark uses YOLOv7, a YOLO with an excellent trade-off between speed and accuracy. At the time of measurement, quantization was performed by TensorRT, and inference was made with an integer 8-bit type. As a result of measurement, it was confirmed that Jetson AGX Orin can detect people at a maximum of 325 FPS and has sufficient speed for real-time inference. Also, the speedup by quantization was 2.61 times faster than Jetson AGX Xavire.},
 title = {車載システムを想定した物体検出アプリケーションとエッジデバイスの組み合わせ評価},
 year = {2023}
}