Implementación de modelos de deep learning en dispositivos de bajo coste

Abstract

En el presente documento se realiza un análisis exhaustivo del proceso de diseño, creación y prueba de modelos de redes neuronales utilizando la biblioteca Tensorflow. El objetivo principal es comprimir estos modelos utilizando diversos métodos con el fin de generar modelos compatibles con dispositivos de bajo coste y limitadas capacidades computacionales. El análisis abarcará el flujo de trabajo completo, desde la evaluación de los datos proporcionados por eDrónica, provenientes de un sensor de medición de calidad de agua, hasta la implementación de los modelos de Deep Learning en dispositivos como la Raspberry PI 4 o un dispositivo basado en un sistema en chip (SoC) ESP32. La implementación de estos modelos en dispositivos de esta naturaleza representa un proceso que combina el Deep Learning convencional con el Edge Computing. Esto posibilita la creación de un sistema capaz de realizar mediciones de calidad del agua y procesarlas para inferir la calidad del mencionado recurso.

This document presents a comprehensive analysis of the process of designing, creating, and testing neural network models using the Tensorflow library. The main objective is to compress these models using various methods in order to generate models that are compatible with low-cost devices and have limited computational capabilities. The analysis covers the complete workflow, starting from the evaluation of data provided by eDrónica, which is collected from a water quality measurement sensor, to the implementation of Deep Learning models on devices such as the Raspberry PI 4 or a system-on-chip (SoC) based device like ESP32. The implementation of these models on devices of this nature involves a combination of conventional Deep Learning techniques with Edge Computing. This enables the creation of a system capable of both measuring water quality and processing the data to infer its overall quality.