[论文解读] Training of SSD(Single Shot Detector) for Facial Detection using Nvidia Jetson Nano

Saif Ur Rehman, Muhammad Rashid Razzaq+1 more|arXiv (Cornell University)|May 28, 2021

COVID-19 diagnosis using AI被引用 5

一句话总结

本论文提出了一种基于SSD（单次检测器）和MobileNetV2主干网络的轻量化人脸检测系统，使用PyTorch在139张图像的数据集上进行训练，并部署于NVIDIA Jetson Nano平台。模型在不到2小时的训练时间内实现了约97%的准确率，通过TensorRT优化实现边缘设备上的快速、高精度推理，展现出实时性能。

ABSTRACT

In this project, we have used the computer vision algorithm SSD (Single Shot detector) computer vision algorithm and trained this algorithm from the dataset which consists of 139 Pictures. Images were labeled using Intel CVAT (Computer Vision Annotation Tool) We trained this model for facial detection. We have deployed our trained model and software in the Nvidia Jetson Nano Developer kit. Model code is written in Pytorch's deep learning framework. The programming language used is Python.

研究动机与目标

• 开发一种适用于边缘部署的实时人脸检测系统。
• 在仅139张人脸图像的自定义小样本数据集上训练轻量化SSD模型。
• 在资源受限的NVIDIA Jetson Nano平台上进行模型部署与优化。
• 评估使用PyTorch和TensorRT的SSD模型在推理性能与准确率方面的表现。
• 展示在极小数据量和边缘硬件条件下实现真实世界人脸检测的可行性。

提出的方法

• 使用PyTorch在自定义的139张标注人脸图像数据集上训练SSD模型，主干网络为MobileNetV2。
• 使用Intel CVAT进行图像标注，包含三个类别（Saif、Hadi、Rashid）和一个默认背景类别。
• 配置训练过程为5个周期，每周期2次迭代，主干网络与附加层的学习率均设为0.01。
• 利用NVIDIA TensorRT优化推理流程，以提升Jetson Nano上的推理速度。
• 在Jetson Nano上通过Docker容器部署训练好的模型，连接A4Tech网络摄像头实现实时视频输入。
• 采用单次前向传播完成目标检测与分类，利用多框（multibox）技术实现多尺度目标预测。

实验结果

研究问题

• RQ1 仅使用139张图像的小型自定义数据集，能否通过SSD结合MobileNetV2实现有效的人脸检测？
• RQ2 在Jetson Nano上使用TensorRT优化后，SSD在准确率与推理速度方面表现如何？
• RQ3 超参数设置（如学习率、周期数）在低数据环境下对模型收敛与性能有何影响？
• RQ4 SSD是否能在Jetson Nano等边缘硬件上实现极短训练时间下的高准确率？
• RQ5 PyTorch、CVAT与TensorRT的集成在嵌入式系统上实现端到端人脸检测的效率如何？

主要发现

• 训练后的SSD模型在测试集上达到了约97%的准确率，表明即使在小样本数据集下仍具备出色性能。
• 在Jetson Nano上以全性能运行，训练过程耗时约2小时。
• 模型成功部署并实现实时运行，通过A4Tech网络摄像头捕获30fps视频，实现低延迟推理。
• 使用TensorRT显著提升了推理速度，使GPU加速的Jetson Nano平台实现真正的实时性能。
• 即使仅使用110张训练图像和29张验证图像，SSD架构结合MobileNetV2主干网络在人脸检测任务中依然表现有效。
• 通过CVAT进行标注、Docker实现容器化部署，实现了面向边缘AI部署的高效、可复现的端到端流程。