Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19049
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΚόικας, Γεώργιος-
dc.date.accessioned2024-04-04T07:27:29Z-
dc.date.available2024-04-04T07:27:29Z-
dc.date.issued2024-03-22-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19049-
dc.description.abstractΣτην 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 προκλήσεων.en_US
dc.languageelen_US
dc.subjectVitis AIen_US
dc.subjectObject Detectionen_US
dc.subjectConvolutional Neural Networksen_US
dc.subjectVersal ACAPen_US
dc.subjectPytorchen_US
dc.titleΕντοπισμός κινούμενων οχημάτων στην πλατφόρμα Versal ACAPen_US
dc.description.pages56en_US
dc.contributor.supervisorΣούντρης Δημήτριοςen_US
dc.departmentΤομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικώνen_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Πτυχιακή.pdf2.82 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.