تحلیل و مقایسه شبکه های عصبی سبک برای کاربردهای دستگاه های پردازش لبه ای

با گسترش کاربردهای هوش مصنوعی در دستگاه های قابل حمل، اینترنت اشیا و سیستم های نهفته، نیاز به استفاده از مدل های یادگیری عمیق سبک وزن که قابلیت اجرا بر روی سخت افزارهای محدود را داشته باشند به شدت افزایش یافته است. شبکه های عصبی سبک وزن مانند MobileNet, ShuffleNet, SqueezeNet و EfficientNet-Lite با هدف کاهش پیچیدگی محاسباتی، کاهش اندازه مدل و حفظ دقت مطلوب طراحی شده اند. در این مقاله به بررسی و مقایسه ی معماری این شبکه ها از منظر معیارهایی همچون دقت تشخیص، حجم مدل، زمان اجرای استنتاج و میزان مصرف منابع پرداخته می شود. همچنین چالش های موجود در پیاده سازی شبکه های عصبی در محیط های لبه ای و راهکارهای بهینه سازی نظیر کوانتیزاسیون، پرنینگ و دانش انتقالی مورد بررسی قرار گرفته اند. نتایج حاصل می تواند راهنمای مناسبی برای انتخاب مدل بهینه در کاربردهای پردازش لبه ای در حوزه های مختلف همچون بینایی ماشین، پردازش صوت و سیستم های تعبیه شده باشد.

کلیدواژه ها:

شبکه عصبی ، سبک ، وزن ، پردازش لبه ای ، یادگیری عمیق ، بینایی ماشین ، بهینه سازی مدل