为提高计算速度卷积神经网络（CNN）用于目标识别任务，本文研究了现场可编程门阵列（FPGA）在加速 CNN
目标识别中的应用。FPGA 以其硬件可重构性、低延迟和高效能效比，在模型的适应性方面展现出显著优势。本研究选用
了 YOLOv3 作为 CNN 模型，通过 FPGA 实现目标识别的加速，通过软硬件协同工作流程，实现了深度学习模型的高效加速。
本文介绍了基于 FPGA 的卷积运算设计，包括多通道卷积运算和 DSP48 完成卷积乘法的优化策略。实验结果表明，该系统
表现出良好的目标检测效果，在资源消耗和功耗方面具有优势，低功耗特性更适合嵌入式系统。
