prikaz prve stranice dokumenta Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA
  Preuzmi
PDF 3.7 MB
diplomski rad
Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA
2024. urn:nbn:hr:200:732086
Miličević, Davorin
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za računalno inženjerstvo i automatiku
Katedra za računalno inženjerstvo

Citirajte ovaj rad

Miličević, D. (2024). Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:732086

Miličević, Davorin. "Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:732086

Miličević, Davorin. "Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:732086

Miličević, D. (2024). 'Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 16.11.2024., https://urn.nsk.hr/urn:nbn:hr:200:732086

Miličević D. Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2024 [pristupljeno 16.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:732086

D. Miličević, "Razvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:732086

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:732086
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovRazvoj, optimizacija i implementacija dubokih neuronskih mreža na FPGA
Naslov (engleski)Development, optimization and implementation of deep neural networks on FPGA
AutorDavorin Miličević
MentorIvan Vidović (mentor)
Član povjerenstvaIvan Vidović (predsjednik povjerenstva)
Član povjerenstvaTomislav Matić (član povjerenstva)
Član povjerenstvaIvan Aleksi (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
(Zavod za računalno inženjerstvo i automatiku)
(Katedra za računalno inženjerstvo)
Osijek
Datum i država obrane2024-09-16, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Procesno računarstvo
Sažetak
Diplomski rad se bavi istraživanjem razvoja, optimizacije i implementacije dubokih neuronskih mreža na FPGA platformama. Glavni problem koji se istražuje je kako učinkovito kvantizirati i prilagoditi duboke neuronske mreže za obradu na ograničenim hardverskim resursima. Koristeći alate poput Brevitas, FINN, Vivado i Vitis HLS, provedena je kvantizacija i prilagodba konvolucijskih neuronskih mreža (LeNet-5 i Yolov3). Implementacija na Xilinx PYNQ-Z2 platformi pokazala je da ove metode omogućuju uspješnu optimizaciju za zadatke detekcije i klasifikacije objekata. Dinamička rekonfiguracija sustava omogućila je prilagodbu specifičnim operativnim uvjetima, značajno poboljšavajući energetsku efikasnost i fleksibilnost sustava.
Sažetak (engleski)
This thesis investigates the development, optimization, and implementation of deep neural networks on FPGA platforms. The main problem addressed is how to effectively quantize and adapt deep neural networks for processing on limited hardware resources. Utilizing tools such as Brevitas, FINN, Vivado, and Vitis HLS, quantization and adaptation of convolutional neural networks (LeNet-5 and Yolov3) were performed. Implementation on the Xilinx PYNQ-Z2 platform demonstrated that these methods enable successful optimization for object detection and classification tasks. Dynamic system reconfiguration allowed adaptation to specific operational conditions, significantly improving the system's energy efficiency and flexibility.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:200:732086
Studijski programNaziv: Automobilsko računarstvo i komunikacije
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: sveučilišni/a magistar/magistra inženjer/inženjerka automobilskog računarstva i komunikacija (univ. mag. ing. comp. et comm. techn.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-09-18 09:46:37