Diseño y aceleración de un sistema de visión para vehículos acuáticos no tripulados

Abstract

Con los avances en inteligencia artificial, Internet de las cosas, aprendizaje automático, visión por computadora y tecnologías emergentes en general, se busca optimizar recursos, tanto económicos como energéticos, lo que ha contribuido al desarrollo de sistemas con un rendimiento mejorado. En este contexto, se ha experimentado un aumento y mejora en los algoritmos utilizados para entrenar modelos de redes neuronales. Este proyecto se inicia con el objetivo de evaluar el rendimiento de modelos de redes neuronales en diferentes hardware, centrándose específicamente en la ejecución de tareas de visión por computadora. En el desarrollo del proyecto, se lleva a cabo la búsqueda de conjuntos de datos relacionados con entornos acuáticos para entrenar las versiones nano, small y medium de Yolov8 en tres conjuntos de datos distintos. Una vez obtenidos los tres modelos para cada conjunto de datos, se realiza la conversión a ONNX y al formato de representación intermedia. Posteriormente, se aplican métodos de cuantización proporcionados por el framework OpenVino. La implementación de estos modelos se lleva a cabo en CPU, GPU y MIRIADs en el entorno Intel Edge, con una evaluación detallada del rendimiento y consumo energético. Además, se evalúa el rendimiento de los modelos en formato ONNX en los dispositivos Nvidia Jetson Orin Nano y AGX.

With advancements in artificial intelligence, Internet of Things, machine learning, computer vision, and emerging technologies in general, there is a pursuit to optimize resources, both economic and energy-related, contributing to the development of systems with enhanced performance. In this context, there has been an increase and improvement in algorithms used to train neural network models. This project begins with the objective of evaluating the performance of neural network models on different hardware, specifically focusing on the execution of computer vision tasks. In the project’s development, a search is conducted for datasets related to aquatic environments to train nano, small, and medium versions of Yolov8 on three distinct datasets. Once the three models for each dataset are obtained, conversion to ONNX and intermediate representation formats is performed. Subsequently, quantization methods provided by the OpenVino framework are applied. The implementation of these models takes place on CPU, GPU, and MIRIADs in the Intel Edge environment, with a detailed evaluation of performance and power consumption. Furthermore, the performance of the models in ONNX format is assessed on Nvidia Jetson Orin Nano and AGX devices.