Construção de uma rede neural em FPGA para inferência de baixa latência
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU) |
Texto Completo: | https://repositorio.ufersa.edu.br/handle/prefix/10152 |
Resumo: | As doenças em plantas representam um dos principais fatores que contribuem para a perda de colheitas na produção agrícola. Logo, diagnosticar uma planta rapidamente pode ser essencial para a produção. Contudo, um diagnóstico manual pode ser custoso, lento e subjetivo. Dessa forma, a implementação de um sistema de baixo consumo de energia capaz de avaliar automaticamente o estado das plantas de maneira contínua, rápida e precisa é crucial no contexto. Dito isto, esse artigo apresenta uma solução baseada em aprendizado de máquina possível de ser implantada em FPGAs para realizar inferências acerca de imagens do domínio tratado. Para isso, foram utilizados recursos como redes neurais convolucionais, transferência de aprendizado e quantização com o framework Vitis AI. Além disso, testes com os diferentes tipos de quantização foram realizados em GPU, CPU e FPGA com o propósito de comparar as métricas de desempenho em cada hardware. Ao fim, com uma acurácia de 97.74%, o modelo classificador obtido pela técnica quantization aware training (QAT) conseguiu melhores resultados frente àquele gerado pelo método post training quantization (PTQ). Ademais, o modelo em FPGA conseguiu obter uma vazão de 27.6 inferências por segundo nos testes, suficiente para diagnósticos em tempo real. |
id |
UFER_4fc85b6cd11126ba8bd2cf4f496d324b |
---|---|
oai_identifier_str |
oai:repositorio.ufersa.edu.br:prefix/10152 |
network_acronym_str |
UFER |
network_name_str |
Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU) |
repository_id_str |
|
spelling |
Construção de uma rede neural em FPGA para inferência de baixa latênciaCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAODoenças em plantasFPGARedes neuraisTransferência de aprendizadoQuantizaçãoAs doenças em plantas representam um dos principais fatores que contribuem para a perda de colheitas na produção agrícola. Logo, diagnosticar uma planta rapidamente pode ser essencial para a produção. Contudo, um diagnóstico manual pode ser custoso, lento e subjetivo. Dessa forma, a implementação de um sistema de baixo consumo de energia capaz de avaliar automaticamente o estado das plantas de maneira contínua, rápida e precisa é crucial no contexto. Dito isto, esse artigo apresenta uma solução baseada em aprendizado de máquina possível de ser implantada em FPGAs para realizar inferências acerca de imagens do domínio tratado. Para isso, foram utilizados recursos como redes neurais convolucionais, transferência de aprendizado e quantização com o framework Vitis AI. Além disso, testes com os diferentes tipos de quantização foram realizados em GPU, CPU e FPGA com o propósito de comparar as métricas de desempenho em cada hardware. Ao fim, com uma acurácia de 97.74%, o modelo classificador obtido pela técnica quantization aware training (QAT) conseguiu melhores resultados frente àquele gerado pelo método post training quantization (PTQ). Ademais, o modelo em FPGA conseguiu obter uma vazão de 27.6 inferências por segundo nos testes, suficiente para diagnósticos em tempo real.16 f.Centro de Ciências Exatas e Naturais - CCENBrasilUFERSAUniversidade Federal Rural do Semi-ÁridoAraújo, Silvio Roberto Fernandes deAraújo, Silvio Roberto Fernandes deOliveira, Amanda Gondim deCasillo, Leonardo AugustoAraújo, Lucas Gomes de2024-01-18T13:27:36Z2024-01-18T13:27:36Z2023-10-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesispdfapplication/pdfARAÚJO, Lucas Gomes de. Construção de uma rede neural em FPGA para inferência de baixa latência. 2023. 16 f. TCC (Graduação) - Curso de Ciência da Computação, Centro de Ciências Exatas e Naturais, Universidade Federal Rural do Semi-Árido, Mossoró, 2023. Disponível em: https://repositorio.ufersa.edu.br/home. Acesso em: 16 jan. 2024.https://repositorio.ufersa.edu.br/handle/prefix/10152MossoróAttribution-ShareAlike 3.0 BrazilUFERSAhttp://creativecommons.org/licenses/by-sa/3.0/br/info:eu-repo/semantics/openAccessporreponame:Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU)instname:Universidade Federal Rural do Semi-Árido (UFERSA)instacron:UFERSA2024-01-18T21:27:37Zoai:repositorio.ufersa.edu.br:prefix/10152Repositório Institucionalhttps://repositorio.ufersa.edu.br/PUBhttps://repositorio.ufersa.edu.br/server/oai/requestrepositorio@ufersa.edu.br || admrepositorio@ufersa.edu.bropendoar:2024-01-18T21:27:37Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU) - Universidade Federal Rural do Semi-Árido (UFERSA)false |
dc.title.none.fl_str_mv |
Construção de uma rede neural em FPGA para inferência de baixa latência |
title |
Construção de uma rede neural em FPGA para inferência de baixa latência |
spellingShingle |
Construção de uma rede neural em FPGA para inferência de baixa latência Araújo, Lucas Gomes de CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Doenças em plantas FPGA Redes neurais Transferência de aprendizado Quantização |
title_short |
Construção de uma rede neural em FPGA para inferência de baixa latência |
title_full |
Construção de uma rede neural em FPGA para inferência de baixa latência |
title_fullStr |
Construção de uma rede neural em FPGA para inferência de baixa latência |
title_full_unstemmed |
Construção de uma rede neural em FPGA para inferência de baixa latência |
title_sort |
Construção de uma rede neural em FPGA para inferência de baixa latência |
author |
Araújo, Lucas Gomes de |
author_facet |
Araújo, Lucas Gomes de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Araújo, Silvio Roberto Fernandes de Araújo, Silvio Roberto Fernandes de Oliveira, Amanda Gondim de Casillo, Leonardo Augusto |
dc.contributor.author.fl_str_mv |
Araújo, Lucas Gomes de |
dc.subject.por.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Doenças em plantas FPGA Redes neurais Transferência de aprendizado Quantização |
topic |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Doenças em plantas FPGA Redes neurais Transferência de aprendizado Quantização |
description |
As doenças em plantas representam um dos principais fatores que contribuem para a perda de colheitas na produção agrícola. Logo, diagnosticar uma planta rapidamente pode ser essencial para a produção. Contudo, um diagnóstico manual pode ser custoso, lento e subjetivo. Dessa forma, a implementação de um sistema de baixo consumo de energia capaz de avaliar automaticamente o estado das plantas de maneira contínua, rápida e precisa é crucial no contexto. Dito isto, esse artigo apresenta uma solução baseada em aprendizado de máquina possível de ser implantada em FPGAs para realizar inferências acerca de imagens do domínio tratado. Para isso, foram utilizados recursos como redes neurais convolucionais, transferência de aprendizado e quantização com o framework Vitis AI. Além disso, testes com os diferentes tipos de quantização foram realizados em GPU, CPU e FPGA com o propósito de comparar as métricas de desempenho em cada hardware. Ao fim, com uma acurácia de 97.74%, o modelo classificador obtido pela técnica quantization aware training (QAT) conseguiu melhores resultados frente àquele gerado pelo método post training quantization (PTQ). Ademais, o modelo em FPGA conseguiu obter uma vazão de 27.6 inferências por segundo nos testes, suficiente para diagnósticos em tempo real. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-10-10 2024-01-18T13:27:36Z 2024-01-18T13:27:36Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
ARAÚJO, Lucas Gomes de. Construção de uma rede neural em FPGA para inferência de baixa latência. 2023. 16 f. TCC (Graduação) - Curso de Ciência da Computação, Centro de Ciências Exatas e Naturais, Universidade Federal Rural do Semi-Árido, Mossoró, 2023. Disponível em: https://repositorio.ufersa.edu.br/home. Acesso em: 16 jan. 2024. https://repositorio.ufersa.edu.br/handle/prefix/10152 |
identifier_str_mv |
ARAÚJO, Lucas Gomes de. Construção de uma rede neural em FPGA para inferência de baixa latência. 2023. 16 f. TCC (Graduação) - Curso de Ciência da Computação, Centro de Ciências Exatas e Naturais, Universidade Federal Rural do Semi-Árido, Mossoró, 2023. Disponível em: https://repositorio.ufersa.edu.br/home. Acesso em: 16 jan. 2024. |
url |
https://repositorio.ufersa.edu.br/handle/prefix/10152 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-ShareAlike 3.0 Brazil UFERSA http://creativecommons.org/licenses/by-sa/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-ShareAlike 3.0 Brazil UFERSA http://creativecommons.org/licenses/by-sa/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
pdf application/pdf |
dc.coverage.none.fl_str_mv |
Mossoró |
dc.publisher.none.fl_str_mv |
Centro de Ciências Exatas e Naturais - CCEN Brasil UFERSA Universidade Federal Rural do Semi-Árido |
publisher.none.fl_str_mv |
Centro de Ciências Exatas e Naturais - CCEN Brasil UFERSA Universidade Federal Rural do Semi-Árido |
dc.source.none.fl_str_mv |
reponame:Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU) instname:Universidade Federal Rural do Semi-Árido (UFERSA) instacron:UFERSA |
instname_str |
Universidade Federal Rural do Semi-Árido (UFERSA) |
instacron_str |
UFERSA |
institution |
UFERSA |
reponame_str |
Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU) |
collection |
Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU) |
repository.name.fl_str_mv |
Repositório Digital da Universidade Federal Rural do Semi-Árido (RDU) - Universidade Federal Rural do Semi-Árido (UFERSA) |
repository.mail.fl_str_mv |
repositorio@ufersa.edu.br || admrepositorio@ufersa.edu.br |
_version_ |
1809747468762480640 |