FRH - Investigación y Posgrado
Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/299
Browse
3 results
Search Results
Item Comparación de Vitis - AI y FINN para implementar redes neuronales convolucionales en FPGA(Martín German Gonzalez, 2024) Urbano Pintos, Nicolás; Lacomi, Héctor Alberto; Lavorato, Mario BlasLas redes neuronales convolucionales (CNN) son esenciales para la clasificación y detección de imágenes, y su implementación en sistemas embebidos resulta cada vez más atractiva debido a su tamaño compacto y bajo consumo energético. Los FPGA (Field-Programmable Gate Arrays) han surgido como una opción prometedora, gracias a su baja latencia y alta eficiencia energética. Vitis AI y FINN son dos entornos de desarrollo que automatizan la implementación de CNN en FPGA. Vitis AI utiliza una unidad de procesamiento de aprendizaje profundo (DPU) y aceleradores de memoria, mientras que FINN se basa en una arquitectura de transmisión de datos (streaming) y ajusta la paralelización. Ambos entornos implementan técnicas de cuantización de parámetros para reducir el uso de memoria. Este trabajo extiende comparaciones previas al evaluar ambos entornos mediante la implementación de cuatro modelos con diferentes cantidades de capas en la plataforma FPGA Kria KV260 de Xilinx. Se describe en detalle el proceso completo, desde el entrenamiento hasta la evaluaci´on en FPGA, incluyendo la cuantización y la implementación en hardware. Los resultados muestran que FINN proporciona menor latencia, mayor rendimiento y mejor eficiencia energética que Vitis AI. No obstante, Vitis AI destaca por su simplicidad en el entrenamiento de modelos y facilidad de implementación en FPGA. El hallazgo principal del estudio es que, al aumentar la complejidad de los modelos con más capas, las diferencias de rendimiento y eficiencia energética entre FINN y Vitis AI se reducen notablemente.Item B- VGG16: Red Neuronal de Convolución cuantizada binariamente para la clasificación de imágenes(Martín German Gonzalez, 2022) Urbano Pintos, Nicolás; Lacomi, Héctor Alberto; Lavorato, Mario BlasEn este trabajo se entrena y evalúa una red neuronal de convolución cuantizada de forma binaria para la clasificación de imágenes. Las redes neuronales binarizadas reducen la cantidad de memoria, y es posible implementarlas con menor hardware que las redes que utilizan variables de valor real (Floating Point 32 bits). Este tipo de redes se pueden implementar en sistemas embebidos, como FPGA. Se realizó una cuantización consciente del entrenamiento, de modo de poder compensar los errores provocados por la perdida de precisión de los parámetros. El modelo obtuvo una precisión de evaluación de un 88% con el conjunto de evaluación de CIFAR-10.Item Caracterización del error de medida de radiómetros fotovoltaicos durante la campaña de medición solarimétrica pampeana 2023(Universidad Tecnológica Nacional. Facultad Regional Haedo, 2024-10) Ghignone, Ramiro Adrián; Lacomi, Héctor AlbertoEn este trabajo se realiza un análisis estadístico sobre mediciones de radiación solar recolectadas a lo largo del año 2023, en tres estaciones de la Red Solarimétrica Pampeana administradas por la Universidad Nacional de Luján en la República Argentina. Las estaciones están en las provincias de Buenos Aires y Santa Fe, y en cada una se compararon dos instrumentos de medición: un piranómetro clase B y un radiómetro fotovoltaico de fabricación nacional. El objetivo de este trabajo es identificar las fortalezas y debilidades en el uso de estos dispositivos para medir radiación solar. El menor costo de estos dispositivos facilita su implementación en redes de gran escala, aumentando la disponibilidad de mediciones directas de recurso solar. Esto reduce la incertidumbre asociada a la evaluación de proyectos energéticos solares térmicos, fotovoltaicos o arquitectónicos. Se analizó la variabilidad del error de medida en diferentes escalas temporales y su correlación con variables relativas a la trayectoria solar y al estado de la atmósfera. Se observa una dependencia marcada del error respecto al ángulo de incidencia y a la nubosidad. Los resultados permiten identificar oportunidades de mejora ya sea en el diseño y fabricación del dispositivo sensor o en el procesamiento a posteriori de las mediciones. El trabajo se organiza en 6 secciones: La sección 1 presenta una introducción a la temática y sus antecedentes, mientras que la sección 2 describe el desarrollo de la campaña de medición y tratamiento de los datos. La sección 3 detalla los resultados de las mediciones, y en la sección 4 se presentan las conclusiones del trabajo. Las secciones 5 y 6 corresponden a los agradecimientos y referencias, respectivamente.