| Form of studies |
Bachelor |
| Title of the study programm |
Intelligent robotic systems |
| Title in original language |
Dziļās mācīšanās objektu detektēšanas modeļu optimizēšana iekārtām ar ierobežotiem resursiem |
| Title in English |
Optimization of Deep Learning Object Detection Models for Resource-Limited Devices |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Dmitrijs Bļizņuks |
| Reviewer |
Gustavs Ēvalds |
| Abstract |
Pēdējās desmitgadēs dziļās mācīšanās tehnoloģiju ļoti strauja attīstība ir kāpinājusi datorredzes iespējas un būtiski paplašinājusi tās pielietojuma jomas. Turklāt mūsdienās dziļās mācīšanās objektu detektēšanas modeļi arvien vairāk tiek darbināti uz ierīcēm ar ierobežotiem resursiem, tāpēc ir svarīgi nodrošināt to efektīvu darbību uz tām.
Bakalaura darbā tiek apskatīta dziļās mācīšanās objektu detektēšanas modeļu pielāgošana, ar mērķi panākt ātru un efektīvu objektu detektēšanu uz ierobežotas skaitļošanas jaudas ierīces. Darba mērķis ir piedāvāt efektīvu objektu detektēšanas modeļu optimizācijas paņēmienu sistēmai ar ierobežotiem resursiem. Šajā darbā eksperimentāli, izmantojot objektu detektēšanas modeļus, tika novērtētas optimizācijas metodes, lai noskaidrotu, kādu veiktspējas uzlabojumu vai zudumu tās nes.
Darba rezultāti apliecina, ka efektīvs objektu optimizācijas paņēmiens ietver atbilstoša optimizatora algoritma izvēli sākotnējā modeļa precizitātes uzlabošanai, piemērotas arhitektūras un modeļa pamata tīkla izmēra izvēli (mazāka modeļa varianta izmantošanu), ievades datu pielāgošanu (mazāka ievades attēla izšķirtspējas izvēli), kā arī kvantēšanas un pielāgotas izpildvides formāta izmantošanu, kas kopumā ļauj panākt novērojamu ātruma uzlabojumu, tajā pašā laikā saglabājot precizitāti pietiekami augstā līmenī, lai nodrošinātu praktisku uzdevumu izpildi.
Iegūtie rezultāti parāda, ka atsevišķu optimizācijas metožu pielietošana spēj uzlabot modeļa veiktspēju 2-4 reizes. Būtiskāko optimizācijas metožu pielietošana uz Raspberry Pi 4 mērķa ierīces paātrināja inferences izpildes laiku līdz pat 28 reizēm, saglabājot detektēšanas precizitāti pieņemamās robežās.
Bakalaura darbs sastāv no 63 lappusēm, 15 attēliem, 18 tabulām un 9 pielikumiem, darbā izmantoti 59 informācijas avoti. |
| Keywords |
OBJEKTU DETEKTĒŠANA, OPTIMIZĒŠANA, DZIĻĀ MĀCĪŠANĀS |
| Keywords in English |
OBJECT DETECTION, OPTIMIZATION, DEEP LEARNING |
| Language |
lv |
| Year |
2025 |
| Date and time of uploading |
27.05.2025 14:55:20 |
