Большие объемы видеоданных, фиксируемые сенсорными датчиками в различных спек- тральных диапазонах, существенные размеры архитектур сверточных нейронных сетей создают проблемы с реализацией нейросетевых алгоритмов на периферийных устройствах из-за значительных ограничений вычислительных ресурсов на встраиваемых вычислительных устройствах. В статье рассмотрено применение алгоритмов автоматического поиска и распознавания образов на основе методов машинного обучения, реализованных на встраивае- мых устройствах с вычислительным ресурсом Graphics Processing Unit. В качестве алгорит- ма поиска и распознавания образов используются детекционные сверточные нейронные сети «You Only Look Once V3» и «You Only Look Once V3-Tiny», которые реализованы на встраи- ваемых вычислительных устройствах линейки NVIDIA Jetson, находящиеся в разном ценовом диапазоне и с различным вычислительным ресурсом. Также в работе экспериментальным путем вычислены оценки алгоритмов на встраиваемых устройствах по таким показателям, как потребляемая мощность, время прямого прохода сверточнной нейронной сети и точ- ность обнаружения. На основе решений реализованных, как на аппаратном уровне, так и на программном, представляющихся компанией NVIDIA становится возможным применение глубоких нейросетевых алгоритмов на основе операции свертка в режиме реального времени. Рассмотрены методы оптимизации вычислений, предлагаемые компанией NVIDIA. Произве- дены экспериментальное исследования влияния вычислений с пониженной точностью на ско- рость работы и точность обнаружения объектов на изображениях, исследуемых архитек- тур сверточных нейронных сетей, которые были предварительно обучены на выборке изо- бражений состоящей из датасетов PASCAL VOC 2007 и PASCAL VOC 2012
