Implementación de redes neuronales y análisis de rendimiento para sistemas empotrados
Esteban Uribe, Sara
Moure Lopez, Juan Carlos, dir. (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Título variante: Implementation of neural networks and performance analysis for embedded systems
Título variante: Implementació de xarxes neuronals i anàlisis de rendiment per a sistemes encastats
Fecha: 2018-07-02
Resumen: Dentro de unos años las carreteras empezarán a tener vehículos sin conductor para trasladar a personas. Este acontecimiento nos lleva a utilizar redes neuronales. En este proyecto se propone realizar la implementación de diferentes redes neuronales convolucionales en un sistema embebido para aplicar en un caso práctico real. Se entrenarán las redes neuronales y posteriormente se ejecutarán en la plataforma de bajo consumo Jetson TX2. Se analizará el rendimiento medido en fotogramas procesados por segundo (fps) y se medirá el consumo en vatios de la ejecución de estos algoritmos. Los resultados demuestran que la red de mayor rendimiento en nuestro caso es la red de detección de objetos con un tiempo de 13 fps con el modo de ejecución Max-N y donde el código empleado para la ejecución en tiempo real llega casi al 100% de su rendimiento.
Resumen: In a few years, roads will begin to have vehicles without drivers to move people. This event leads us to use neural networks. In this project, we propose the implementation of different convolutional neural networks in an embedded system to be applied in a real practical case. The neural networks will be trained and later they will be executed in the low consumption platform Jetson TX2. The performance measured in processed frames per second (fps) will be analyzed and the consumption in watts of the execution of these algorithms will be measured. The results show that the network with the highest performance in our case is the object detection network with a time of 13 fps with execution mode Max-N and where the code used for real-time execution reaches almost at 100% of its performance.
Resumen: D'aquí a uns anys les carreteres començaran a tenir vehicles sense conductor per traslladar a persones. Aquest esdeveniment ens porta a utilitzar xarxes neuronals. En aquest projecte es proposa realitzar la implementació de diferents xarxes neuronals convolucionals en un sistema encastat per aplicar en un cas pràctic real. S'entrenaran les xarxes neuronals i posteriorment s'executaran a la plataforma de baix consum Jetson TX2. S'analitzarà el rendiment mesurat en fotogrames processats per segon (fps) i es mesurarà el consum en watts de l'execució d'aquests algorismes. Els resultats demostren que la xarxa de major rendiment en el nostre cas és la xarxa de detecció d'objectes amb un temps de 13 fps amb el mode d'execució Max-N i on el codi emprat per a l'execució en temps real arriba gairebé al 100% del seu rendiment.
Derechos: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Lengua: Castellà.
Titulación: Enginyeria Informàtica [2502441]
Plan de estudios: Enginyeria Informàtica [958]
Documento: bachelorThesis ; Text
Área temática: Menció Enginyeria de Computadors
Materia: Jetson TX2 ; DIGITS ; Consum elèctric ; Xarxa neuronal ; Segmentació ; Classificació ; Detecció d'objectes ; Dataset ; Rendiment ; GPU ; Consumo eléctrico ; Red neuronal ; Segmentación ; Clasificación ; Detección de objetos ; Rendimiento ; Electric consumption ; Neural network ; Segmentation ; Classification ; Object detection ; Performance



13 p, 1.2 MB

El registro aparece en las colecciones:
Documentos de investigación > Trabajos de Fin de Grado > Escuela de Ingeniería. TFG

 Registro creado el 2018-10-24, última modificación el 2018-11-15



   Favorit i Compartir