NGHIÊN CỨU TRIỂN KHAI MẠNG HỌC SÂU LENET5  TRÊN VI ĐIỀU KHIỂN STM32 ỨNG DỤNG TRONG NHẬN DẠNG HÌNH ẢNH

Huỳnh Việt Thắng

doi:10.34238/tnu-jst.4497

NGHIÊN CỨU TRIỂN KHAI MẠNG HỌC SÂU LENET5 TRÊN VI ĐIỀU KHIỂN STM32 ỨNG DỤNG TRONG NHẬN DẠNG HÌNH ẢNH

Thông tin bài báo

Ngày nhận bài: 16/05/21 Ngày hoàn thiện: 02/08/21 Ngày đăng: 09/08/21

Các tác giả

Huỳnh Việt Thắng , Trường Đại học Bách Khoa – ĐH Đà Nẵng

Tóm tắt

Sự ra đời của các thiết bị di động thông minh, cùng với sự bùng nổ của các ứng dụng và dịch vụ trên nền tảng Internet dẫn đến sự ra đời của mô hình tính toán mới – điện toán biên. Cùng với xu hướng ứng dụng trí tuệ nhân tạo đang rộng mở hiện nay, triển khai các ứng dụng trí tuệ nhân tạo và học sâu trên nền tảng điện toán biên là một xu hướng nổi bật. Bài báo này sẽ khảo sát khả năng thực thi mô hình học sâu sử dụng mạng nơ-ron tích chập LeNet5 cho các bài toán học sâu được triển khai trên các vi điều khiển công suất thấp dựa trên kiến trúc ARM. Chúng tôi trình bày quá trình thiết kế và thực thi bài toán nhận dạng hình ảnh là chữ số viết tay trên board phát triển STM32. Chúng tôi sử dụng Google Colab và ngôn ngữ Python để huấn luyện mô hình mạng nơ-ron tích chập, sau đó ánh xạ mô hình đã huấn luyện lên thực thi trên board phát triển vi điều khiển STM32F411 với công cụ X-Cube-AI. Kết quả đánh giá thực tế trên phần cứng cho thấy việc thực thi trên vi điều khiển đạt hiệu năng gần tương đương với thực thi trên máy tính đa mục đích.

Từ khóa

Học sâu; Điện toán biên; Vi điều khiển STM32; MNIST; Internet vạn vật

Toàn văn:

PDF

Tài liệu tham khảo

[1] Cisco, "Cisco Annual Internet Report (2018–2023) White Paper", 2020. [Online]. Available: https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.html. [Accessed May 10, 2021].

[2] X. Wang, Y. Han, V. C. M. Leung, D. Niyato, X. Yan, and X. Chen, "Convergence of edge computing and deep learning: A comprehensive survey," IEEE Communications Surveys & Tutorials, vol. 22, no. 2, pp. 869-904, 2020.

[3] J. Chen and X. Ran, "Deep Learning With Edge Computing: A Review," Proceedings of the IEEE 107, no. 8, pp. 1655-1674, 2019.

[4] Y. Wei, W. Xia, M. Lin, J. Huang, B. Ni, J. Dong, Y. Zhao, and S. Yan, "HCP: A flexible CNN framework for multi-label image classification," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 38, no. 9, pp. 1901-1907, 2015.

[5] A. B. Nassif, I. Shahin, I. Attili, M. Azzeh, and K. Shaalan, "Speech recognition using deep neural networks: A systematic review," IEEE Access, vol. 7, pp. 19143-19165, 2019.

[6] M. Bojarski, D. D. Testa, D. Dworakowski, B. Firner, B. Flepp, P. Goyal, and L. D. Jackel, "End to end learning for self-driving cars," 2016.

[7] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998.

[8] Y. LeCun and C. Cortes, “MNIST database”, 1998. [Online]. Available: http://yann.lecun.com/exdb/mnist/. [Accessed May 10, 2021].

[9] ST Microelectronics, “STM32F411 Microcontroller – Product Overview and Documentations”, 2020. [Online]. Available: https://www.st.com/en/microcontrollers-microprocessors/stm32f411.html. [Accessed May 10, 2021].

[10] STMicroelectronics, “STM32 solutions for Artificial Neural Networks”, 2020. [Online]. Available: https://www.st.com/content/st_com/en/ecosystems/stm32-ann.html. [Accessed May 10, 2021].

[11] Google, “Google Colaboratory (Colab) Introduction”, 2020. [Online]. Available: https://colab.research.google.com/notebooks/intro.ipynb. [Accessed May 10, 2021].

[12] A. Baldominos, Y. Saez, and P. Isasi, "A survey of handwritten character recognition with MNIST and EMNIST," Applied Sciences, vol. 9, no. 15, 2019, Art. no. 3169.

DOI: https://doi.org/10.34238/tnu-jst.4497

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ