Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30638| Título: | Inteligência artificial em sistemas embarcados utilizando abordagem TinyML |
| Título(s) alternativo(s): | Artificial intelligence in embedded systems using TinyML approach |
| Autor(es): | Almeida, Weslley do Nascimento |
| Orientador(es): | Denardin, Gustavo Weber |
| Palavras-chave: | Aprendizado do computador Sistemas embarcados (Computadores) Microcontroladores Machine learning Embedded computer systems Microcontrollers |
| Data do documento: | 12-Dez-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | ALMEIDA, Weslley do Nascimento. Inteligência artificial em sistemas embarcados utilizando abordagem TinyML. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
| Resumo: | Atualmente, existem mais de 250 bilhões de microcontroladores no mundo, logo, viabilizar a possibilidade de executar modelos de aprendizado de máquina em sistemas embarcados é motivado porque muitos dos dados captados por sensores são descartados devido ao custo, necessidade de conexão com internet ou restrições de energia. Diante desse cenário, surge uma nova abordagem de soluções de aprendizado de máquina, que integram sistemas com recursos limitados e inteligência artificial, o Tiny Machine Learning (TinyML), essa abordagem tem como objetivo viabilizar a implantação de modelos de inteligência artificial em sistemas embarcados de baixo custo e pouco poder de processamento. Entre as aplicações que poderiam se beneficiar da integração de aprendizado de máquina e hardware com recursos limitados, são os dispositivos de reconhecimento automático. Portanto, o presente trabalho busca realizar a implantação de uma rede neural artificial que realize o reconhecimento de placas veiculares em um hardware de baixo custo. Dessa forma, treinou-se um modelo MobileNetV2 SSD FPN-Lite para detecção de placas automotivas, efetuando a quantização fazendo uso do framework do TensorFlow Lite e implantando a solução em um sistema embarcado Raspberry Pi Zero 2W. Foram realizados experimentos em quatro formas de quantização e entre duas linguagens distintas, Python e C++. O melhor resultado apresentado considerando o tamanho de armazenamento, índice de confiabilidade e tempo de latência, foi o da quantização dinâmica em C++, pois, comparado ao modelo não quantizado, obteve uma redução em armazenamento de 75%, apresentando um score de 72,38% contra 72,28% do modelo não quantizado, e, uma eficiência no tempo de execução de 20%. Tornando assim, o tinyML uma alternativa viável para aplicações em sistemas com limitações de recursos. |
| Abstract: | Currently, there are more than 250 billion microcontrollers in the world, therefore, enabling the possibility of running machine learning models in embedded systems is motivated because much of the data captured by sensors is discarded due to cost, need for internet connection or restrictions of energy. In this scenario, a new approach to machine learning solutions emerges, which integrate systems with limited resources and artificial intelligence, Tiny Machine Learning (TinyML), this approach aims to enable the implementation of artificial intelligence models in embedded systems of low cost and little processing power. Among the applications that could benefit from the integration of machine learning and resource-limited hardware are automatic recognition devices. Therefore, the present work seeks to implement an artificial neural network that recognizes license plates in low-cost hardware. In this way, a MobileNetV2 SSD FPN-Lite model was trained to detect automotive license plates, performing the quantization using the TensorFlow Lite framework and deploying the solution in a Raspberry Pi Zero 2W embedded system. Experiments were carried out in four forms of quantization and between two different languages, Python and C++. The best result presented considering the storage size, reliability index and latency time, was the dynamic quantization in C++, because, compared to the non-quantized model, it obtained a storage reduction of 75%, presented a score of 72, 38% against 72.28% of the non-quantized model, and a runtime efficiency of 20%. Thus making tinyML a viable alternative for applications in systems with limited resources. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30638 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| inteligenciaartificialembarcadostinyml.pdf | 1,97 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
