Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39463| Título: | Análise de desempenho de plataformas de hardware embarcado para inferência de redes neurais convolucionais em aplicações de visão computacional |
| Título(s) alternativo(s): | Performance analysis of embedded hardware platforms for convolutional neural network inference in computer vision applications |
| Autor(es): | Palma, Gustavo Ferreira |
| Orientador(es): | Oliveira, Claiton de |
| Palavras-chave: | Sistemas embarcados (Computadores) Redes neurais (Computação) Linguagem de programação (Computadores) Embedded computer systems Neural networks (Computer science) Programming languages (Electronic computers) |
| Data do documento: | 28-Out-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | PALMA, Gustavo Ferreira. Análise de desempenho de plataformas de hardware embarcado para inferência de redes neurais convolucionais em aplicações de visão computacional. 2025. Dissertação (Mestrado em Informática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | A visão computacional, aliada ao uso de redes neurais profundas, tem revolucionado áreas como automação, veículos autônomos e dispositivos IoT. Entretanto, a implantação dessas aplicações em sistemas embarcados enfrenta desafios devido a limitações de hardware, como capacidade de processamento e consumo energético. Este trabalho visa avaliar e comparar o desempenho de três plataformas de hardware embarcado representativas - Raspberry Pi 400, NVidia Jetson Orin Nano e Khadas VIM 4 - na Inferência de redes neurais convolucionais para aplicações de visão computacional, utilizando o framework TensorFlow Lite. Para isso, devem ser analisadas métricas como consumo de energia, uso de CPU/GPU, temperatura e ´ tempo de inferência, permitindo a identificação de condições que favorecem o uso de CPU, GPU, ou NPU. Os resultados desta pesquisa devem fornecer subsídios para recomendações práticas para os desenvolvedores escolherem as plataformas mais adequadas para a execução de aplicações de visão computacional em sistemas embarcados. |
| Abstract: | Computer vision, coupled with the use of deep neural networks, has revolutionized areas such as automation, autonomous vehicles, and IoT devices. However, the deployment of these applications on embedded systems faces challenges due to hardware limitations, such as processing capacity and energy consumption. This work aims to evaluate and compare the performance of three representative embedded hardware platforms – Raspberry Pi 400, NVIDIA Jetson Orin Nano, and Khadas VIM 4 – in the inference of convolutional neural networks for computer vision applications, using the TensorFlow Lite framework. For this, metrics such as energy consumption,CPU/GPU usage, temperature, and inference time should be analyzed, allowing the identification of conditions that favor the use of CPU, GPU, or NPU. The results of this research are expected to provide insights for practical recommendations to help developers choose the most suitable platforms for running computer vision applications on embedded systems. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39463 |
| Aparece nas coleções: | CP - Programa de Pós-Graduação em Informática |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| desempenhoembarcadovisaocomputacional.pdf | 8,68 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
