Uç cihazlarda derin öğrenme tabanlı görüntü sınıflandırmada model optimizasyonu ve enerji verimliliği
Model optimisation and energy efficiency in deep learning based image classification on edge devices
- Tez No: 956431
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH ÇALLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Bu çalışma, derin öğrenme tekniklerinin uç cihazlardaki çeşitli uygulamalarını performans ve enerji verimliliği odağında detaylı bir şekilde analiz ederek alandaki bilgi birikimine önemli bir katkı sunmaktadır. Derin öğrenme algoritmalarındaki son yıllardaki dikkate değer ilerlemeler, bu algoritmaların bir araya gelmesiyle ortaya çıkan modellerin hem yüksek hesaplama gücü gereksinimleri hem de yüksek enerji tüketimi sorununu beraberinde getirmiştir. Bu durum, enerji verimliliği konusunda daha fazla araştırma ve geliştirme yapılmasını gerektiren bir durum haline gelmiştir. Çalışma kapsamında, derin öğrenme modellerinin uç cihazlarda verimli bir şekilde çalışabilmesi için model sıkıştırma teknikleri üzerine kapsamlı ve detaylı birçok deney gerçekleştirilmiştir. Bu deneyler, özellikle budama ve nicemleme yöntemleri ile hafif mimarilerin entegrasyonu üzerine derinlemesine bir odaklanma sağlamaktadır. Mobil cihazlardan akıllı sensörlere kadar geniş bir yelpazede yaygın olarak kullanılan MobileNet, EfficientNet ve ShuffleNet gibi hafif ve çağdaş mimarilerin entegrasyonu üzerinde durulmaktadır. Bu önemli çalışmalar, AMD NPU, Google Coral TPU ve NVIDIA Jetson Nano gibi çeşitli donanımlarla sistematik ve detaylı testler yapılarak yürütülmüştür. Her bir test, belirli kriterlere göre özenle planlanmış ve uygulanmış, sonuçlar ise titizlikle analiz edilmiştir. Elde edilen en iyi performans sonuçları, güvenilir verilerle desteklenmekte ve derin öğrenme alanında yeni standartların belirlenmesine büyük katkı sağlamaktadır. Çalışma kapsamda elde edilen bulgular, tez ile birlikte derin öğrenme teknolojilerinin özellikle uç cihazlarda daha erişilebilir hale gelmesi ve verimliliğinin önemli ölçüde artması için kritik bir zemin hazırlamaktadır. Derin öğrenme alanındaki yeni gelişmeler, mobil cihazlardan akıllı sensörlere kadar geniş bir uygulama yelpazesine sahip olup, bu da geleceğin teknolojilerini şekillendirme potansiyelini taşımaktadır. Bu sebeple, bu tez yalnızca mevcut uygulamaları detaylı bir şekilde analiz etmekle kalmamakta, aynı zamanda ileride gerçekleştirilecek araştırmalara ve geliştirme süreçlerine önemli katkılar sunmaktadır. Çalışma, derin öğrenme tekniklerinin ve uygulamalarının gelişimini destekleyen kritik bir kaynak olma niteliğine sahiptir. Uç cihazlarda yapay zeka uygulamalarının etkinliğini artırmaya yönelik olarak ortaya konan bulgular, mühendisler ve akademisyenlerin iş birliğiyle daha ileri seviyelere taşınabilir. Nihayetinde, bu araştırma, mevcut bilgileri derlemenin ötesine geçerek, derin öğrenmenin geleceğine dair bir yol haritası sunmakta ve aynı zamanda sistemin genişlemesi için sağlam bir temel oluşturmaktadır. Bu durum, ileri düzeydeki çalışmaların zeminini hazırlar ve aynı zamanda endüstrinin ihtiyaçlarını karşılama konusundaki yetenekleri geliştirmeye katkı yapmaktadır. Çalışmanın sağladığı içgörüler, derin öğrenmenin yenilikçi uygulamalarının teşvik edilmesine yardımcı olmakta ve bu sayede teknolojinin evrimi üzerinde kalıcı bir etki bırakmaktadır. Sonuç olarak bu araştırma, mevcut bilgileri derlemenin ötesine geçerek, derin öğrenmenin geleceğine dair bir yol haritası ve aynı zamanda sistemin ekosisteminin genişlemesi için sağlam bir temel sunmaktadır.
Özet (Çeviri)
This paper makes a significant contribution to the body of knowledge in the field by analyzing in detail the various applications of deep learning techniques on edge devices with a focus on performance and energy efficiency. The remarkable advances in deep learning algorithms in recent years have led to both high computational power requirements and high energy consumption of the resulting models. This has necessitated further research and development on energy efficiency. The focus is primarily on the integration of cutting-edge lightweight and contemporary architectures, notably MobileNet, EfficientNet, and ShuffleNet. These architectures are extensively utilized across a broad spectrum of applications, extending from mobile devices to innovative smart sensors that interact with various environments. This crucial work, characterized by its significance, has been meticulously carried out through systematic and comprehensive testing. The hardware employed in this process is notably diverse, encompassing platforms such as the AMD NPU, Google Coral TPU, and NVIDIA Jetson Nano, each contributing to the validation and effectiveness of the architectures. Each test was carefully planned and executed according to specific criteria, and the results were meticulously analyzed. The best performance results are supported by reliable data and contribute to setting new standards in the field of deep learning. The findings of this study, combined with this thesis, establish a vital groundwork for deep learning technologies to become increasingly accessible, particularly on edge devices, while also significantly enhancing their efficiency. Recent developments within the field of deep learning have an extensive array of applications, extending from mobile devices to intelligent sensors, which possess the tremendous potential to influence and shape the technologies of the future. Therefore, this thesis not only conducts a comprehensive analysis of existing applications in great detail but also offers essential contributions to future research and development processes, paving the way for innovations that could transform numerous industries and improve human-computer interactions in unprecedented ways. The study serves as a vital resource that supports the ongoing development and enhancement of deep learning techniques and their various applications across multiple fields. The significant findings derived from this study can certainly be advanced further through collaborative efforts that unite engineers and academics strategically. Their teamwork will greatly increase the overall effectiveness of AI applications, particularly on edge devices, which are increasingly important in today's technology ecosystem. Ultimately, this comprehensive research not only compiles the existing body of knowledge but also charts a well-defined roadmap for the future trajectory of deep learning. Additionally, it lays a sturdy foundation that is crucial for the further expansion of this dynamic field. This progressive approach paves the way for subsequent studies and contributes significantly to refining capabilities that are essential for meeting the evolving needs of the industry as a whole. The insights provided by the study help foster innovative applications of deep learning, thereby leaving a lasting impact on the evolution of the technology. As a result, this research goes beyond compiling existing knowledge and provides a roadmap for the future of deep learning, as well as a solid foundation for the expansion of the system's ecosystem. In this comprehensive and thorough study, a series of carefully designed and detailed experiments were meticulously conducted, focusing on advanced model compression techniques such as pruning and quantization. Furthermore, the comprehensive and in-depth integration of a broad array of innovative lightweight architectures, which prominently include MobileNet, EfficientNet, and ShuffleNet, was explored in great detail. These targeted and specialized methodologies were specifically designed to guarantee not only the efficient operation of deep learning models but also to ensure high performance when they are deployed across a diverse range of devices. This, in turn, significantly enhances their usability and effectiveness across multiple platforms, making them suitable for various applications and use cases. The exploration of these architectures highlights their importance in the evolving landscape of technology. Through systematic and rigorous testing across a diverse yet representative array of hardware platforms, including but not limited to AMD NPU, Google Coral TPU, and NVIDIA Jetson Nano, the researchers were able to ascertain the best performance results achievable with these methods. This thorough process led to the collection of reliable and impactful data that underscores the effectiveness of the findings. By undertaking this extensive and in-depth research effort, the thesis makes a significant contribution to enhancing both the accessibility and efficiency of cutting-edge deep learning technologies. This advancement, in turn, facilitates their application on edge devices in a more effective and scalable manner, ultimately promoting a wider adoption of such technologies across various sectors. Innovations in deep learning possess impressive and transformative potential to profoundly influence the future landscape of numerous advanced technologies, spanning from cutting-edge mobile devices designed for seamless user experiences to complex and sophisticated smart sensors that enhance various applications in our daily lives. Given this significant impact, this thesis not only delivers a comprehensive analysis of existing applications and their various implications but also illuminates the promising avenues for future research and continuous development that lie ahead in this dynamic and exciting field. By exploring these avenues, we can better understand the transformative power of deep learning and the opportunities it presents for innovation across multiple domains. This work is a critical resource supporting the development of deep learning techniques and applications. These findings can be further developed with the collaboration of engineers and academics to increase the effectiveness of AI applications on edge devices. In conclusion, this research goes beyond compiling existing knowledge and provides a roadmap for the future of deep learning.
Benzer Tezler
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- 3 boyutlu veriler üzerinde derin öğrenme yaklaşımları
Deep learning approaches on 3D data
FURKAN ŞENYURT
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Yazılımı Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL İŞERİ
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Yazılım tabanlı telsiz haberleşme sistemlerinde derin öğrenme yaklaşımı ile radyo sinyallerinin sınıflandırılması
The classification of radio signals with deep learning approach in software based wireless communication systems
ADEM GÜL
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT BOLAT
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ