| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Intelektuālas robotizētas sistēmas |
| Nosaukums |
Dziļās mācīšanās objektu detektēšanas modeļu optimizēšana iekārtām ar ierobežotiem resursiem |
| Nosaukums angļu valodā |
Optimization of Deep Learning Object Detection Models for Resource-Limited Devices |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Dmitrijs Bļizņuks |
| Recenzents |
Gustavs Ēvalds |
| Anotācija |
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. |
| Atslēgas vārdi |
OBJEKTU DETEKTĒŠANA, OPTIMIZĒŠANA, DZIĻĀ MĀCĪŠANĀS |
| Atslēgas vārdi angļu valodā |
OBJECT DETECTION, OPTIMIZATION, DEEP LEARNING |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 14:55:20 |
