Програмний модуль класифікації зображень на основі згорткової нейронної мережі на вбудованій обчислювальній платформі NVIDIA Jetson

Abstract

Метою роботи є підвищення ефективності класифікації зображень у вбудованих системах штучного інтелекту шляхом розробки та оптимізації програмного модуля на основі згорткової нейронної мережі для обчислювальної платформи NVIDIA Jetson. Методами дослідження обрано методи системного аналізу для дослідження сучасних підходів до класифікації зображень та технологій комп’ютерного зору, методи об’єктно-орієнтованого проєктування для побудови архітектури програмного модуля, методи машинного навчання та глибинного навчання для створення і навчання згорткових нейронних мереж, методи оптимізації моделей для граничних обчислень, а також експериментальні методи оцінювання ефективності за показниками точності, швидкодії та використання обчислювальних ресурсів. У результаті виконання роботи проведено аналіз сучасних архітектур згорткових нейронних мереж та методів їх адаптації до вбудованих систем штучного інтелекту, досліджено особливості обчислювальної платформи NVIDIA Jetson, розроблено архітектуру програмного модуля класифікації зображень, реалізовано та оптимізовано модель нейронної мережі для виконання інференсу в режимі реального часу. Розроблений програмний модуль забезпечує ефективну класифікацію зображень на вбудованих пристроях із досягненням оптимального балансу між точністю розпізнавання та швидкодією роботи системи.

The purpose of the study is to improve the efficiency of image classification in embedded artificial intelligence systems through the development and optimization of a software module based on a convolutional neural network for the NVIDIA Jetson computing platform. Research methods: system analysis methods were used to investigate modern approaches to image classification and computer vision technologies; object-oriented design methods were applied to develop the architecture of the software module; machine learning and deep learning methods were employed to create and train convolutional neural networks; model optimization techniques for edge computing were utilized; and experimental evaluation methods were applied to assess performance in terms of classification accuracy, inference speed, and computational resource utilization. As a result of the study, modern convolutional neural network architectures and methods for their adaptation to embedded artificial intelligence systems were analyzed. The architectural features of the NVIDIA Jetson computing platform were investigated, the architecture of the image classification software module was developed, and the neural network model was implemented and optimized for real-time inference. The developed software module provides efficient image classification on embedded devices while achieving an optimal balance between recognition accuracy and system performance.