| Abstract |
Šajā bakalaura darbā tiek pētīta mašīnmācīšanās modeļu izmantošana ceļa apstākļu noteikšanai (sauss, mitrs, sniegots, slapjš) robežierīcēs. Darba mērķis ir izpētīt pieejamās metodes ceļa apstākļu noteikšanai un optimizēt esošos risinājumus, ar kuriem varētu ātri un precīzi noteikt ceļa apstākļus robežierīcēs. Darba uzdevumi ietver literatūras apskatu, lai izpētītu esošās metodes, ierobežojumu un problēmu, kas saistītas ar mašīnmācīšanās izmantošanu robežierīcēs, identificēšanu, optimizētu mašīnmācīšanās modeļu izstrādi, to efektivitātes novērtēšanu un ieteikumu sniegšanu turpmākajiem pētījumiem. Darba sasniegumi ietver dažādu optimizācijas metožu veiksmīgu ieviešanu MobileNet V3 modelī. Optimizācijas procesā MobileNet V3 modelim tika piemērotas kvantēšanas metodes, kas ļāva ievērojami samazināt modeļa izmēru un secināšanas laiku, vienlaikus saglabājot līdzīgu precizitāti kā pamatmodelim (pasliktinājums sastādīja 0,27%), piemēram, ar dinamiskā diapazona kvantēšanu tika sasniegts izmēra samazinājums par 75% (no 4,25 MB līdz 1,06 MB), vienlaikus ar 9,38 reižu samazinājumu secinājumu laikā (no 115,4 ms līdz 12,3 ms). Float16 kvantēšana nodrošināja modeļa izmēra samazinājumu par 50% (2,13 MB) un vismazāko klasificēšanas laiku (7,4 ms). Pamatojoties uz veikto pētījumu, ir sniegti vairāki ieteikumi ceļa stāvokļa noteikšanas modeļa uzlabošanai.
Darba apjoms - 79 lappuses, 46 attēli, 3 tabulas, 0 pielikumi un 93 informācijas avoti. |
