Metodologias para implementação de algoritmos de Machine Learning Embarcado.
| dc.contributor.author | Barreto, Gabriel Rocha | |
| dc.date.accessioned | 2025-02-19T19:54:46Z | |
| dc.date.available | 2025-02-19T19:54:46Z | |
| dc.date.issued | 2025-02-03 | |
| dc.description | Trabalho de Conclusão de Curso foi aprovado como requisito parcial para obtenção do título de Bacharel em Engenharia Elétrica, aprovada em sua forma final pelo Colegiado do Curso de Engenharia Elétrica do Centro Multidisciplinar de Bom Jesus da Lapa, UFOB. | |
| dc.description.abstract | O Machine Learning embarcado tem como principal benefício a extração de informações úteis a partir de dados brutos provenientes de sensores e câmeras, sem a necessidade de transmitir esses dados para servidores externos. Isso diminui o consumo de energia e banda, melhora a privacidade e a segurança dos dados, e possibilita uma resposta mais rápida e precisa do dispositivo. Além disso, o Machine Learning embarcado permite que o dispositivo se adapte ao seu ambiente e às preferências do usuário, tornando-o mais inteligente e personalizado. Um dispositivo embarcado pode identificar gestos, rostos, objetos, sons, fala, texto, emoções, entre outros, e usar essas informações para interagir com o usuário ou com outros dispositivos. Um exemplo de aplicação é o de uma câmera inteligente que pode reconhecer intrusos, animais ou veículos em uma propriedade e enviar alertas para o proprietário ou para as autoridades. No entanto, essa técnica também apresenta alguns desafios e limitações que devem ser levados em conta na hora de escolher uma plataforma adequada. Um dos principais desafios é o equilíbrio entre complexidade e eficiência do modelo de aprendizado de máquina. Modelos mais complexos podem oferecer uma maior precisão e generalização, mas também demandam mais recursos computacionais, como memória, processamento e energia. Por outro lado, modelos mais simples podem ser mais eficientes, mas também mais suscetíveis a erros e ruídos. Portanto, é necessário encontrar um ponto ótimo entre esses fatores, considerando as características e restrições do dispositivo embarcado. Outro desafio é o processo de treinamento e atualização do modelo de aprendizado de máquina. O treinamento requer uma grande quantidade de dados rotulados e um ambiente adequado para realizar os cálculos necessários. A atualização requer uma forma de enviar o novo modelo para o dispositivo ou permitir que ele aprenda com novos dados. Diante deste contexto, este trabalho tem como objetivo pesquisar as principais ferramentas que podem auxiliar no desenvolvimento de sistemas inteligentes. Como resultado, apresentou-se um exemplo prático baseado na plataforma Integrated Development Environment(STM32CubeIDE). Neste exemplo, empregou-se a plataforma STM32F429I DISC1STMicroelectronics para implementar o algoritmo. | |
| dc.description.sponsorship | Orientador: Prof. Dr. Manoel Messias Silva Junior. | |
| dc.identifier.citation | Barreto, Gabriel Rocha. Metodologias para implementação de algoritmos de Machine Learning Embarcado, 2023. | |
| dc.identifier.uri | https://repositorio.ufob.edu.br/handle/123456789/231 | |
| dc.language.iso | pt | |
| dc.publisher | Universidade Federal do Oeste da Bahia | |
| dc.title | Metodologias para implementação de algoritmos de Machine Learning Embarcado. | |
| dc.type | Thesis |