Evaluating classification models for resource-constrained hardware (2020)
- Authors:
- Autor USP: SILVA, LUCAS TSUTSUI DA - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: APRENDIZADO COMPUTACIONAL; CONTROLE DE INSETOS; INTERAÇÃO HOMEM-MÁQUINA; INTERFACE HOMEM-COMPUTADOR; INTELIGÊNCIA ARTIFICIAL; SISTEMAS EMBUTIDOS
- Keywords: Classificação; Classificador embarcado; Classification; Embedded classifier; Machine learning; Scikit- learn; Scikit-learn; WEKA; WEKA
- Agências de fomento:
- Language: Inglês
- Abstract: Aprendizado de Máquina (AM) está se tornando uma tecnologia ubíqua empregada em muitas aplicações do mundo real em diversas áreas, como agricultura, saúde, entomologia e engenharia. Em algumas aplicações, sensores monitoram o ambiente, enquanto algoritmos de AM supervisionado são responsáveis por interpretar os dados para tomar uma decisão automática. Geralmente, esses dispositivos enfrentam três restrições principais: consumo de energia, custo e falta de infraestrutura. A maioria desses desafios pode ser melhor resolvida com a implementação de classificadores de AM no hardware que monitora o ambiente. Portanto, precisamos de classificadores altamente eficientes, adequados para serem executados em hardware com poucos recursos. No entanto, esse cenário entra em conflito com o estado-da-prática de AM, no qual os classificadores são frequentemente implementados em linguagens interpretadas de alto nível (e.g., Java ou Python), fazem uso irrestrito de operações de ponto flutuante e assumem muita disponibilidade de recursos, como memória, processamento e energia. Neste trabalho, apresentamos uma ferramenta de software chamada Embedded Machine Learning (EmbML) que implementa um pipeline para desenvolver classificadores para microcontroladores de baixa potência. Esse pipeline começa com o aprendizado de um classificador em um computador desktop ou servidor, utilizando pacotes ou bibliotecas de software populares como WEKA ou scikit-learn. A ferramenta EmbML converte o classificadorem um código C++ adaptado com suporte para hardware com recursos limitados, como prevenção do uso desnecessário da memória principal e implementação de operações de ponto fixo para números não-inteiros. Nossa avaliação experimental com conjuntos de dados de benchmark e uma variedade de microcontroladores mostra que os classificadores da ferramenta EmbML alcançam resultados competitivos em termos de acurácia, tempo de classificação e custo de memória. Comparados aos classificadores de algumas ferramentas relacionadas existentes, os nossos obtiveram o melhor desempenho de tempo e memória em pelo menos 70% dos casos. Por fim, realizamos experimentos em uma aplicação real para descrever o pipeline completo de uso da ferramenta EmbML e avaliar seus classificadores com uma armadilha inteligente para classificar e capturar insetos alados.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2020
- Data da defesa: 11.09.2020
-
ABNT
SILVA, Lucas Tsutsui da. Evaluating classification models for resource-constrained hardware. 2020. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2020. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11112020-180216/. Acesso em: 05 jan. 2026. -
APA
Silva, L. T. da. (2020). Evaluating classification models for resource-constrained hardware (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11112020-180216/ -
NLM
Silva LT da. Evaluating classification models for resource-constrained hardware [Internet]. 2020 ;[citado 2026 jan. 05 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11112020-180216/ -
Vancouver
Silva LT da. Evaluating classification models for resource-constrained hardware [Internet]. 2020 ;[citado 2026 jan. 05 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-11112020-180216/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
