2026年，FPGA大赛做AI加速器方向，如何用Zynq实现轻量级YOLOv8n并优化PL端DSP和BRAM资源？

10小时前

我在备赛2026年的FPGA大赛，选的是AI加速器赛道，想用Zynq部署YOLOv8n做实时目标检测。但PL端DSP和BRAM资源很紧张，尤其是卷积层和上采样层占用太高。请问具体怎么通过INT8量化、结构化剪枝和层融合来压缩模型？流水线设计上有什么技巧能减少BRAM消耗？求有实战经验的大佬分享优化策略和踩坑记录。

FPGA探索者

这家伙真懒，几个字都不愿写！

96421.41K

2026年，FPGA大赛用高云GW5AST做实时AI语音识别，BRAM不够用怎么通过模型剪枝和量化解决？上一篇

2026年FPGA大赛备赛，用Zynq做实时人脸检测时，如何用AXI4-Stream优化摄像头数据流避免丢帧？下一篇

还没有人回答，第一个参与下？

我要回答

回答被采纳奖励100个积分

请先登录