Year: 2025
Type: dissertation
Abstract: Este trabalho investigou o desempenho de Redes Neurais Convolucionais (CNN) aplicadas à classificação de imagens em três plataformas de hardware distintas: CPU, GPU e FPGA. Para isso, foram utilizados três conjuntos de dados (MNIST, CIFAR-10 e SAT 6), cada um associado a uma rede neural específica. Inicialmente, implementaram-se modelos em precisão total, executados na CPU e GPU, e, em paralelo, desenvolveu se uma versão quantizada dessas redes para implementação em FPGA por meio do framework FINN. As principais métricas de avaliação contemplaram acurácia, latência, vazão e dissipação de potência, possibilitando uma análise abrangente de desempenho. Os resultados indicaram que a GPU se sobressai em termos de vazão, sobretudo em cenários com lotes grandes, graças ao processamento maciço e paralelo. No entanto, apresenta dissipação de potência mais elevada e sofre com latências maiores para lotes unitários, em função dos custos de transferência de dados. Já a CPU obteve latências baixas para inferências individuais, mantendo um consumo energético intermediário e um desempenho adequado para aplicações que não exigem alta taxa de processamento simultâneo. A implementação em FPGA, por sua vez, demonstrou vantagens em cenários que priorizam eficiência energética e latências mais previsíveis, especialmente em lotes pequenos. Mesmo com as limitações de recursos e a necessidade de quantização, o hardware reconfigurável alcançou acurácias semelhantes aos modelos em precisão total, evidenciando o potencial do FINN para acelerar redes neurais embarcadas. Assim, a escolha da plataforma mais apropriada depende dos requisitos específicos de cada aplicação, balanceando aspectos de velocidade, consumo de energia e complexidade do projeto
Author: Pietta, Enzo Victor Zucchetti
Institution: Universidade Federal do Rio Grande do Sul
Language: Portuguese
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7046140177
