The rapid advancement of autonomous vehicles underscores the need for improved pedestrian detection systems to enhance road safety. Traditional GPUs accelerate the detection process but can be prohibitively expensive and slow for widespread deployment. This study investigates the performance of GPUs equipped with Tensor Cores, which can accelerate matrix multiplication operations in pedestrian detection systems but may also introduce precision loss. Focusing on speed, precision, recall, and mean Average Precision, the impact of Tensor Cores on a YOLOv8 model was evaluated using the Caltech pedestrian dataset. Tests were conducted on both high-end NVIDIA A100 and more affordable NVIDIA RTX 3070 GPUs, with and without Tensor Cores activated. The results revealed a noteworthy 11.8% improvement in inference speed on the RTX 3070 with Tensor Cores activated, whereas performance enhancement on the A100 was less pronounced. Notably, enabling Tensor Cores did not lead to significant precision loss on either GPU model, with both exhibiting a decrease in precision of less than one percent, which is negligible. However, an 8.9% decrease in recall was observed on the A100, while the RTX 3070 experienced a 3% decrease. These findings underscore the need for careful optimisation when implementing Tensor Cores to balance speed enhancements with detection accuracy. Furthermore, this research raises ethical considerations regarding the acceptable trade-off between precision loss and speed improvement. It underscores the advantages and challenges of integrating advanced GPU technologies into autonomous vehicles, highlighting the essential need to balance enhanced performance with reliable operation.

Den snabba utvecklingen av autonoma fordon kräver förbättrade fotgängardetekteringssystem för att öka trafiksäkerheten. Traditionella grafikprocessorer kan accelerera detektionsprocessen men är ofta för dyra och långsamma för att användas i stor skala. Denna studie undersöker prestandan hos grafikprocessorer med Tensor-kärnor, som kan snabba upp matrismultiplikation för fotgängardetektion men även potentiellt minska precisionen. Med fokus på hastighet, precision, återkallelse och mAP utvärderades effekten av Tensor-kärnor på en YOLOv8-modell med hjälp av Caltechs fotgängardataset. Tester genomfördes på både högpresterande NVIDIA A100 GPU och mer prisvärda NVIDIA RTX 3070 GPU, både med och utan aktiverade Tensor-kärnor. Resultaten visade att Tensor-kärnor förbättrade detektionshastigheten på RTX 3070 GPU:n med 11.8%, medan detektionshastigheten på A100 var mindre uttalad. I synnerhet ledde användningen av Tensor-kärnor inte till någon betydande precisionförlust på någon av GPU-modellerna, där båda visade en minskning av precisionen med mindre än en procent, vilket är försumbart. Dock observerades en minskning på 8.9% i återkallelse på A100, medan RTX 3070 upplevde en minskning på 3%. Dessa resultat understryker behovet av noggrann optimering vid implementering av Tensor-kärnor för att balansera hastighetsförbättringar med detektionsnoggrannhet. Dessutom väcker denna forskning etiska överväganden kring det acceptabla avvägandet mellan precisionförlust och hastighetsförbättring. Den belyser fördelarna och utmaningarna med att integrera avancerade GPU-teknologier i autonoma fordon och betonar det väsentliga behovet av att balansera förbättrad prestanda med pålitlig drift.