Optimalizace metody strojového učení pro aplikace v mikrokontrolérech

Abstract

Tato diplomová práce se zabývá optimalizací strojového učení pro implementaci na mikrokontrolérech, přesněji na platformě NXP i.MX RT1170. Hlavním cílem práce je posoudit realizovatelnost a efektivitu nasazení umělých neuronových sítí (ANN) v embedded systémech. Práce zkoumá možnosti využití softwarového nástroje NXP eIQ, který je navržen pro podporu a optimalizaci ANN na mikrokontrolérových platformách. Analyzuji různé metody optimalizace na různých ANN modelech, které ovlivňují parametry modelu, jako jsou velikost modelu, přesnost predikce a výpočetní náročnost.

This thesis addresses the optimization of machine learning for implementation on microcontrollers, specifically on the NXP i.MX RT1170 platform. The main goal of the work is to assess the feasibility and efficiency of deploying artificial neural networks (ANN) in embedded systems. The study explores the use of the NXP eIQ software tool, which is designed to support and optimize ANN on microcontroller platforms. I analyze various optimization methods that affect deffrent model parameters, such as model size, prediction accuracy, and computational demand.