Rendimiento de RaspberryPi con Intel_NCS ejecutando métodos de aprendizaje profundo neuronal en clasificación de tipo de vehículos en tiempo continuo

Abstract

La clasificación de tipo de vehículos y su conteo en las calles de una ciudad, ayuda a tomar decisiones respecto a la construcción y ampliación de vías, cuantificación del tráfico y necesidades de ciclo vías. Sin embargo, se requiere de un sistema automático que realice esta clasificación de forma continua en un flujo de video. El objetivo de esta investigación es reportar el rendimiento de dos métodos de detección y clasificación de actores de movilidad basados en Deep Neural Networks (DNN) ejecutándose en un Raspberry Pi 3B+, permitiendo identificar el modelo que brinda mayor precisión con menor consumo de recursos. Se comparó You Only Look Once v3 (YOLO v3) y Single Shot MultiBox Detector (SSD). Los resultados demuestran que SSD es la mejor alternativa siendo hasta trece veces más veloz que YOLO v3. Durante la ejecución del sistema utilizando el Intel Neural Compute Stick 2 con SSD se tiene un consumo promedio del CPU del Raspberry Pi 3B+ del 10% y 15% de memoria RAM. El valor de referencia de mAP para SSD es del 72.7%.