Εκπαίδευση βαθιών νευρωνικών δικτύων σε κινητές συσκευές 
και ανάλυση της ποιότητας των δεδομένων εκπαίδευσης

Περβολαράκης, Δημήτριος; Pervolarakis, Dimitrios

dc.contributor.author	Περβολαράκης, Δημήτριος	el
dc.contributor.author	Pervolarakis, Dimitrios	en
dc.date.accessioned	2025-04-04T07:47:44Z
dc.date.available	2025-04-04T07:47:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61628
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29324
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	Βαθιά μάθηση	el
dc.subject	Deep learning	en
dc.subject	Ταξινόμηση εικόνων	el
dc.subject	Image classification	en
dc.subject	Κινητές συσκευές	el
dc.subject	Mobile devices	en
dc.subject	TensorFlow	en
dc.subject	TensorFlow lite	en
dc.title	Εκπαίδευση βαθιών νευρωνικών δικτύων σε κινητές συσκευές και ανάλυση της ποιότητας των δεδομένων εκπαίδευσης	el
dc.title	Training deep neural networks on mobile devices and analyzing the quality of training data	en
heal.type	bachelorThesis
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Δίκτυα	el
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-09-26
heal.abstract	Σκοπός αυτής της διπλωματικής εργασίας είναι να ερευνήσει πόσο αποτελεσματικά μπορεί να γίνει η εκπαίδευση βαθιών νευρωνικών δικτυών σε κινητές συσκευές ενσωματώνοντας τους ένα μοντέλο που εκτελεί κατηγοριοποίηση εικόνων. Για να διερευνηθεί αυτό το πρόβλημα έγινε εκπαίδευση ενός μοντέλου βαθιάς μάθησης εκτός συσκευής για έναν αριθμό από κατηγορίες αντικειμένων. Ύστερα καταγράφηκαν οι απαιτήσεις εκπαίδευσης και εν συνεχεία το μοντέλο τοποθετήθηκε εντός συσκευής, όπου ακολούθησε η ρύθμισή του σε έναν μικρό αριθμό επιπρόσθετων κατηγοριών. Για την ενσωμάτωση του μοντέλου στη συσκευή αναπτύχθηκε μία android εφαρμογή η οποία επιτρέπει μια πλήρη μελέτη της διαδικασίας. Για την ποιοτική αξιολόγηση των δεδομένων ρύθμισης και την εξαγωγή ασφαλών συμπερασμάτων, χρησιμοποιήθηκαν τόσο αρχικά σύνολα δεδομένων όσο και από την ίδια τη συσκευή. Τέλος, γίνεται σύγκριση στους δύο τρόπους εκπαίδευσης και συγκριτική αξιολόγηση της ποιότητας των δύο πηγών δεδομένων ρύθμισης, με βάση την τελική ακρίβεια ταξινόμησης και τον χρόνο εκπαίδευσης του μοντέλου.	el
heal.abstract	The purpose of this thesis is to investigate how effectively deep neural networks can be trained for image classification on mοbile devices. To explore this problem, we trained the model off-device for a number of categories, documented the training requirements, and then deployed it on the device, where it was fine-tuned for a smaller number of additional categories. For the integration of the model on the device, we developed a mobile application that allows us to fully study the process. To evaluate our method, we used both initial datasets and real-life data from the device itself. Finally, a comparison is made between the two training methods and a comparative evaluation of the quality of the two data sources is conducted based on the model's final classification accuracy and training time.	en
heal.advisorName	Βενιέρης, Ιάκωβος Στ.	el
heal.committeeMemberName	Κακλαμάνη, Δήμητρα-Θεοδώρα	el
heal.committeeMemberName	Συμβώνης, Αντώνιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	92 σ.	el
heal.fullTextAvailability	false