Progetto E4S – ENERGY FOR SAFETY: Sistema integrato per la sicurezza della persona ed il risparmio energetico nelle applicazioni di Home & Building Automation”, bando Smart Living di Regione Lombardia.
Il progetto E4S ha come obiettivo lo sviluppo di una piattaforma distribuita di prodotti e sistemi hardware e software in grado di realizzare funzionalità di risparmio energetico integrate con soluzioni di sicurezza e cura del benessere degli utilizzatori in ambienti privati (Home Automation), pubblici e professionali (Building Automation).
L’unità Bicocca è composta dal Raimondo Schettini, Gianluigi Ciocca, Simone Bianco e Paolo Napoletano.
Il ruolo dell’unità Bicocca è stato quello di advisor nella definizione delle specifiche finali della piattaforma, nella identificazione degli algoritmi di Image, Audio Processing e Machine Learning e soprattutto nella comparazione tra algoritmi tradizionali e quelli basati su reti neurali, valutazione della corrispondente potenza di calcolo necessaria e identificazione di strategie di ottimizzazione.
Per esempio, da un confronto di due diverse piattaforme Hardware:
1. Una workstation dotata di CPU Intel Core I7-7700 a 3.60 GHZ, RAM DDR4 da 16 GB a 2400 MHz, GPU NVIDIA Titan X Pascal con 3840 CUDA core (GPU consumer di fascia alta). Il sistema operativo è Ubuntu 16.04.
2. Una NVIDIAJetsonTX1board con CPU ARM A57 a 64 bit a 2 GHz, LPDDR4 a 1600 GB a 4 GB, GPU NVIDIA Maxwell con 256 core CUDA. La scheda include l’SDK JetPack-2.3.
è possibile verificare la complessità computazionale dei principali algoritmi neurali nello stato dell’arte (Deep Neural Networks – DNN) per il riconoscimento di immagini.
Di seguito si mostra la Top-1 accuracy rispetto al numero di immagini elaborate al secondo (con dimensione batch 1) utilizzando Titan Xp (a) e Jetson TX1 (b).
Da questi numeri è possibile concludere che quasi tutti i modelli neurali sono in grado di ottenere prestazioni real-time o super su una GPU di fascia alta, mentre solo alcune di esse possono garantirle su un sistema embedded. Anche i DNN con una complessità del modello molto bassa hanno un ingombro minimo di memoria GPU di circa 0,6 GB.
Per ulteriori approfondimenti guardare la pubblicazione sotto indicata.
Publications
1.
Benchmark Analysis of Representative Deep Neural Network Architectures
(Simone Bianco, Remi Cadene, Luigi Celona, Paolo Napoletano)
In IEEE Access, volume 6, number 1, pp. 64270-64277, 2018.
Download
BibTex
Doi
Project Page
@article{8506339,
author = {Bianco, Simone and Cadene, Remi and Celona, Luigi and Napoletano, Paolo},
year = {2018},
pages = {64270-64277},
title = {Benchmark Analysis of Representative Deep Neural Network Architectures},
volume = {6},
number = {1},
journal = {IEEE Access},
keywords = {Computational, modeling, Graphics, processing, units, Computational, complexity, Memory, management, Embedded, systems, Deep, neural, networks, convolutional, neural, networks, image, recognition},
pdf = {/download/08506339.pdf},
doi = {10.1109/ACCESS.2018.2877890},
issn = {2169-3536},
projectref = {https://celuigi.github.io/models-comparison.pytorch/}}