{"title":"Aprendizado Profundo aplicado à Visão Robótica utilizando dispositivo embarcado Raspberry Pi","authors":"Myrella A. Bordado, Á. Cardoso, R. A. P. Franco","doi":"10.5753/erigo.2022.227735","DOIUrl":null,"url":null,"abstract":"Devido a grande quantidade de dados que surgiram, juntamente com a evolução das Unidades de Processamento Gráfico (GPU), tornou-se possível desenvolver algoritmos com maior desempenho e acurácia, baseados em aprendizado profundo. Este trabalho realiza o treinamento do modelo YOLOv5 utilizando um conjunto de dados de visão robótica ARID, com o intuito de abordar o problema de detecção de objetos em um ambiente doméstico em conjunto com a limitação de recursos do sistema embarcado Raspberry Pi. Os resultados mostram que o modelo YOLOv5 possui alta precisão para a detecção de objetos utilizando visão robótica e possui versões que possibilitam a execução em dispositivos embarcados de baixo custo, quando comparados à dispositivos embarcados com GPU.","PeriodicalId":338913,"journal":{"name":"Anais da X Escola Regional de Informática de Goiás (ERI-GO 2022)","volume":"26 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-10-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais da X Escola Regional de Informática de Goiás (ERI-GO 2022)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.5753/erigo.2022.227735","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1
Abstract
Devido a grande quantidade de dados que surgiram, juntamente com a evolução das Unidades de Processamento Gráfico (GPU), tornou-se possível desenvolver algoritmos com maior desempenho e acurácia, baseados em aprendizado profundo. Este trabalho realiza o treinamento do modelo YOLOv5 utilizando um conjunto de dados de visão robótica ARID, com o intuito de abordar o problema de detecção de objetos em um ambiente doméstico em conjunto com a limitação de recursos do sistema embarcado Raspberry Pi. Os resultados mostram que o modelo YOLOv5 possui alta precisão para a detecção de objetos utilizando visão robótica e possui versões que possibilitam a execução em dispositivos embarcados de baixo custo, quando comparados à dispositivos embarcados com GPU.