随着人工智能技术的革新以及硬件水平的提升,目标检测技术在近几年有了突飞猛进的发展,基于深度学习的检测算法层出不穷,逐渐应用于生活的各个方面。但是目前常用的目标检测算法几乎都具有很高计算复杂度,需要依靠高性能计算机的帮助才能完成任务。然而目标检测的许多应用场景,比如无人驾驶、导航制导、交通监督,都需要将算法部署在移动端设备上运行,而移动端设备往往并不具备高性能的计算能力,导致目前效果较好的深度学习目标检测算法很难部署在移动端设备上。本文的研究课题就是针对FPGA的运算特点和YOLOv3目标检测算法的优缺点进行针对性的算法优化和硬件实现,填补移动端目标检测算法的空缺,主要研究内容及成果如下:1.针对卷积运算的特点,利用FPGA的并行计算优势,在FPGA中设计卷积乘法阵列,统一输入输出数据位宽,同时调用2000余个DSP单元进行乘法计算,实现高度并行化计算,运算速度是单一卷积运算的256倍。2.针对卷积运算数据调用次数太多的问题,使用三行移位寄存器首尾连接进行数据缓存,使得每一个像素点只需要读取一次即可完成该点的所有卷积运算,该设计方法使得像素点读取次数仅为原本像素点读取次数的九分之一。3.针对目标检测算法缓存数据过多的问题,使用高性能计算机计算时可以利用高达16G的内存资源缓存所有运算数据,但是FPGA不具备这样的内存资源,所以本文设计了特殊的RAM交互方案,仅用180Mbit的RAM资源即可完成整个算法的运行并输出检测结果。4.YOLOv3算法包含特征提取部分和三尺度检测部分,本文合理采用流水线设计方法,有效地提高了算法运算速度,使得运算时间缩短为原始运算时间的一半。5.针对设计的FPGA算法架构,提出了算法优化策略,首先在训练YOLOv3算法模型时对BN层参数添加正则化约束,使得更多的BN层参数朝着0的方向变化,在对精度影响较低的情况下实现了网络的裁剪;其次,为节省模型参数量,对模型参数进行有限比特量化,在牺牲少许准确度的前提下尽可能减少模型参数;最后借鉴已有的网络裁剪方法,提出了一种符合本文硬件设计的新型网络裁剪方法。