Noslēguma darbu reģistrs
  
Studiju darba apraksts
Studiju veids bakalaura akadēmiskās studijas
Studiju programmas nosaukums Informācijas tehnoloģija
Nosaukums Mašīnmācīšanās modeļu optimizācija ceļa apstākļu noteikšanai robežierīcēs
Nosaukums angļu valodā Optimization of Machine Learning Models for Detection of Road Conditions in Edge Devices
Struktūrvienība 33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Darba vadītājs Jānis Grabis
Recenzents Armands Baranovskis
Anotācija 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.
Atslēgas vārdi Robežierīces, optimizācija, attēlu klasifikācija, konvolūcijas neironu tīkli
Atslēgas vārdi angļu valodā Edge devices, optimization, image classification, convolutional neural networks
Valoda lv
Gads 2023
Darba augšupielādes datums un laiks 29.05.2023 22:46:52