Εντοπισμός κινούμενων οχημάτων στην πλατφόρμα Versal ACAP

Κόικας, Γεώργιος; Koikas, Georgios

dc.contributor.author	Κόικας, Γεώργιος	el
dc.contributor.author	Koikas, Georgios	en
dc.date.accessioned	2024-07-05T06:35:25Z
dc.date.available	2024-07-05T06:35:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59802
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27498
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Vitis AI	en
dc.subject	Object Detection	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Pytorch	en
dc.title	Εντοπισμός κινούμενων οχημάτων στην πλατφόρμα Versal ACAP	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-22
heal.abstract	Στην εποχή της ψηφιακής επανάστασης, όπου η τεχνολογία μετασχηματίζεται με εκθετικούς ρυθμούς, η παρούσα διπλωματική εργασία σπεύδει να εφαρμόσει και να αναπτύξει τις γνώσεις της μηχανικής μάθησης και των νευρωνικών δικτύων, εστιάζοντας συγκεκριμένα στην πρόκληση της ανίχνευσης και παρακολούθησης οχημάτων. Μέσα από μια προσεκτική διερεύνηση του θεωρητικού υπόβαθρου και την εφαρμογή προηγμένων τεχνολογικών εργαλείων, αποκαλύπτεται η πληθώρα των δυνατοτήτων που ανοίγονται μέσω της ενσωμάτωσης καινοτόμων λύσεων στον τομέα της τεχνητής νοημοσύνης. Η εργασία ξεκινά με μια ολοκληρωμένη ανάλυση του θεωρητικού υπόβαθρου, καταδεικνύοντας την κρισιμότητα της κατανόησης των βασικών αρχών της μηχανικής μάθησης και της λειτουργίας των νευρωνικών δικτύων. Η χρήση τεχνολογικών εργαλείων όπως η γλώσσα προγραμματισμού Python, το Pytorch, καθώς και πλατφόρμες όπως το Google Colaboratory και το Vitis AI, αποτελεί θεμέλιο για την ανάπτυξη και την αποδοτική εκτέλεση της εφαρμογής. Η πρακτική εφαρμογή αποκαλύπτει μια σύνθετη διαδικασία ανάπτυξης, από την προετοιμασία των δεδομένων εισόδου έως τη διασύνδεση προηγμένων αλγορίθμων ανίχνευσης και παρακολούθησης. Η εκτενής αξιολόγηση της απόδοσης των μοντέλων, μέσω συγκριτικής ανάλυσης και μετρήσεων κατανάλωσης ενέργειας, επιβεβαιώνει την αποδοτικότητα των προτεινόμενων λύσεων. Το σημαντικότερο επίτευγμα της εργασίας είναι η επιτάχυνση των υπολογισμών των μοντέλων YOLO μέσω της χρήσης Field Programmable Gate Arrays (FPGAs), η οποία ανοίγει νέες δυνατότητες για την ανίχνευση οχημάτων σε πραγματικό χρόνο. Η ενσωμάτωση της σειράς Versal AI Core VCK190 υπογραμμίζει τη δυνατότητα για αυξημένη αποδοτικότητα και ταχύτητα επεξεργασίας, παρέχοντας ένα αξιόλογο πλεονέκτημα στην εφαρμογή της τεχνητής νοημοσύνης σε πρακτικά προβλήματα. Συγκεκριμένα, εντυπωσιακό αποτελέσματα της εργασίας είναι η επίτευξη σχεδόν 100 καρέ ανά δευτερόλεπτο (fps) – ταχύτητα πάνω από 5x καλύτερη από μία T4 GPU - με κατανάλωση ενέργειας μόλις 20-30 watt, καταδεικνύοντας την υψηλή αποδοτικότητα και την οικονομία στην ενέργεια των προτεινόμενων λύσεων. Συνοψίζοντας, η παρούσα διπλωματική εργασία αποσκοπεί να αναδείξει πώς η συνεχής τεχνολογική εξέλιξη και η καινοτομία μπορούν να οδηγήσουν στην ανάπτυξη πρακτικών και αποδοτικών λύσεων για την αντιμετώπιση περίπλοκων 2 προκλήσεων. Μέσω της διερεύνησης των δυνατοτήτων της τεχνητής νοημοσύνης, η εργασία αυτή προσκαλεί σε περαιτέρω έρευνα και ανάπτυξη στο συναρπαστικό ταξίδι της προόδου της τεχνολογίας.	el
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Ξύδης, Σωτήριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	55 σ.	el
heal.fullTextAvailability	false