Caracterización de rendimiento computacional en plataformas embebidas para aplicaciones de Edge AI en modelos de detección de personas
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este documento presenta una caracterización del rendimiento del hardware para dos plataformas de Edge AI: Raspberry Pi 4 y NVIDIA Jetson Nano, para la tarea de detección automática de personas utilizando un modelo de aprendizaje profundo. Con fines comparativos, utilizamos el sistema de evaluación MLPerf Inference Benchmark. La caracterización considera los resultados de un modelo de detección de objetos SSD-Mobilenet utilizando dos conjuntos de datos diferentes, uno con 80 clases de objetos distintas y otro solo con personas. Las métricas de comparación consideran la precisión del modelo, la latencia, las consultas procesadas por segundo y las muestras procesadas por segundo bajo la evaluación de diferentes escenarios de ejecución.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
[1] B. Varghese, N. Wang, D. Bermbach, C.-H. Hong, E. D. Lara, W. Shi y C. Stewart, «A Survey on Edge Performance Benchmarking,» ACM Computing Surveys, vol. 54, nº 3, pp. 1-33, Abril 2022.
[2] Z. Zhou, K. Chen, Z. Shi, Y. Guo y J. Ye, «Object Detection in 20 Years: A Survey,» Proceedings of the IEEE, vol. 111, nº 3, pp. 257-276, Marzo 2023.
[3] V. J. Reddi, C. Cheng, D. Kanter, P. Mattson, G. Schmuelling, C.J. Wu, B. Anderson, M. Breughe, M. Charlebois, W. Chou et al., «MLPerf Inference Benchmark,» ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA), pp. 446-459, 2020.
[4] E. Upton y G. Halfacree, Raspberry Pi user guide, John Wiley & Sons, 2016.
[5] F. N. Uzun, M. Kayrici y B. Akkuzu, «Nvidia Jetson Nano Development Kit,» Programmable Smart Microcontroller Cards, p. 82, 2021.
[6] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.-Y. Fu y A. C. Berg, «SSD: Single Shot MultiBox Detector,» de European conference on computer vision, 2016.
[7] A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto y H. Adam, «MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,» Publisher: arXiv Version Number: 1, 2017. [En línea]. Available: https://arxiv.org/abs/1704.04861.
[8] T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollár y C. L. Zitnick, «Microsoft COCO: Common Objects in Context,» Computer Vision – ECCV 2014, vol. 8693, pp. 740-755, 2014.
[9] «COCO dataset - Common Objects in Context,» [En línea]. Available: https://cocodataset.org/#home. [Último acceso: Julio 2025].
[10] R. Padilla, S. L. Netto y E. Da Silva, «A survey on performance metrics for object-detection algorithms,» de International conference on systems, signals and image processing (IWSSIP, 2020.
[11] W. Wang, W. Hong, F. Wang y J. Yu, «GAN-Knowledge Distillation for One-Stage Object Detection,» IEEE Access, vol. 8, pp. 60719--60727, 2020.
[12] Y. Hu, N. Chen, Y. Hou, X. Lin, B. Jing y P. Liu, «Lightweight deep learning for real-time road distress detection on mobile devices,» Nature Communications, vol. 16, nº 1, 2025.
[13] NVIDIA Developer, «Documentation Jetson Nano 2GB Developer Kit,» [En línea]. Available: https://developer.nvidia.com/embedded/learn/jetson-nano-2gb-devkit-user-guide. [Último acceso: Julio 2025].
[14] Y.-H. Chang, J. Pu, W.-m. Hwu y J. Xiong, «MLHarness: A scalable benchmarking system for MLCommons,» BenchCouncil Transactions on Benchmarks, Standards and Evaluations, vol. 1, 2021.