यह शोधपत्र उपभोक्ता-स्तरीय हार्डवेयर पर ऑब्जेक्ट डिटेक्टरों के बेंचमार्क प्रदर्शन और वास्तविक-विश्व व्यवहार्यता के बीच की खाई को पाटने पर केंद्रित है। YOLOv10 जैसे मॉडल जहाँ वास्तविक समय की गति प्राप्त करते हैं, वहीं ये प्रदर्शन मीट्रिक आमतौर पर उच्च-प्रदर्शन वाले डेस्कटॉप-स्तरीय GPU पर प्राप्त होते हैं। RTX 4060 GPU जैसे संसाधन-सीमित सिस्टम पर, हम प्रदर्शित करते हैं कि कम्प्यूटेशनल गति के बजाय, सिस्टम-स्तरीय अड़चनें प्रदर्शन में गिरावट का प्राथमिक कारण हैं। इस समस्या का समाधान करने के लिए, हम एक दो-पास अनुकूली अनुमान एल्गोरिथ्म प्रस्तुत करते हैं जिसे मॉडल आर्किटेक्चर में बदलाव किए बिना लागू किया जा सकता है। यह एल्गोरिथ्म एक तेज़ निम्न-रिज़ॉल्यूशन पास और, आवश्यकता पड़ने पर, एक उच्च-रिज़ॉल्यूशन पास का लाभ उठाकर गति बढ़ाता है। 5,000-इमेज COCO डेटासेट पर PyTorch अर्ली-एग्जिट बेसलाइन की तुलना में, हमें 1.85 गुना गति वृद्धि और 5.51% mAP हानि प्राप्त हुई। शुद्ध मॉडल अनुकूलन पर निर्भर रहने के बजाय, हम हार्डवेयर-जागरूक अनुमान रणनीति के माध्यम से थ्रूपुट को अधिकतम करने के लिए एक व्यावहारिक और पुनरुत्पादनीय दृष्टिकोण प्रस्तुत करते हैं।
