Artigos acadêmicos relacionados
1. Artigos relacionados ao uso do produto
1.1 Analysis of facial emotion recognition rate for real-time application using NVIDIA Jetson Nano in deep learning models
Resumo
Este artigo apresenta uma análise do reconhecimento de expressões faciais utilizando a plataforma embarcada NVIDIA Jetson Nano para executar modelos de inteligência artificial localmente. Foram utilizados dois modelos de redes neurais convolucionais — VGG-19 e Xception — treinados previamente em ambiente externo e posteriormente carregados na Jetson para realizar inferências em tempo real.
A captura e o processamento das imagens foram feitos com o framework OpenCV, enquanto a inferência foi acelerada pela GPU integrada com CUDA da Jetson Nano, que possibilita alto desempenho mesmo com baixo consumo de energia. Os testes demonstraram que a plataforma é eficiente para aplicações embarcadas de reconhecimento facial, alcançando uma acurácia média de 97,1%.
Link
1.2 AI on the Road: NVIDIA Jetson Nano-Powered Computer Vision-Based System for Real-Time Pedestrian and Priority Sign Detection
Resumo
Este artigo apresenta um sistema de visão computacional embarcado utilizando a plataforma NVIDIA Jetson Nano para detecção em tempo real de pedestres e sinais de prioridade em vias públicas. O sistema utiliza o modelo de rede neural SSD-MobileNet, treinado previamente em um conjunto de dados próprio, capturado em diferentes condições de tráfego e iluminação. Posteriormente, o modelo foi carregado na Jetson Nano para realizar inferências em tempo real, com o suporte do processamento acelerado pela GPU CUDA integrada.
Link
1.3 Mask Detection System with Computer Vision-Based on CNN and YOLO Method Using Nvidia Jetson Nano
Resumo
Este estudo propõe um sistema embarcado para detecção de uso de máscaras faciais, utilizando a plataforma NVIDIA Jetson Nano e o modelo de rede neural convolucional YOLOv4-tiny. O objetivo é identificar, em tempo real, indivíduos que estejam ou não utilizando máscaras e emitir alertas automáticos para aqueles que não estiverem em conformidade.
O sistema foi desenvolvido para operar de forma autônoma e offline, aproveitando a capacidade de processamento da GPU CUDA integrada da Jetson Nano. Durante os testes, o sistema demonstrou eficácia na detecção de máscaras, classificando corretamente três categorias: pessoas usando máscara corretamente, usando de forma incorreta e sem máscara. Além disso, o sistema é capaz de emitir alertas imediatos para infratores, contribuindo para o cumprimento de medidas de saúde pública.
Link
1.4 Processamento de Dados com Algoritmos de Inteligência Artificial na Plataforma NVIDIA Jetson Nano com Vistas ao Desenvolvimento de Sistemas de Deep Learning e Internet das Coisas
Resumo
Este artigo nacional apresenta o desenvolvimento de um sistema embarcado utilizando a plataforma NVIDIA Jetson Nano para executar algoritmos de inteligência artificial aplicados a sistemas de Deep Learning e Internet das Coisas (IoT). O objetivo foi explorar a capacidade da Jetson Nano em processar dados localmente para acelerar a execução de modelos de deep learning. Foram implementados e testados algoritmos de redes neurais convolucionais, demonstrando a viabilidade da plataforma para aplicações embarcadas que exigem processamento em tempo real e baixo consumo de energia.
Link
2. Artigos relacionados à tecnologias que viabilizam a existência do produto
2.1 Benchmarking Deep Learning Models on NVIDIA Jetson Nano for Real-Time Systems: An Empirical Investigation
Resumo
A proliferação de modelos complexos de deep learning (DL) revolucionou diversas aplicações, incluindo soluções baseadas em visão computacional, impulsionando sua integração em sistemas em tempo real. No entanto, a natureza intensiva em recursos desses modelos apresenta desafios para sua implantação em dispositivos com poder computacional limitado e memória reduzida, como sistemas embarcados e edge devices.
Este trabalho investiga empiricamente a otimização de modelos complexos de DL para analisar sua funcionalidade em um dispositivo embarcado, especificamente na NVIDIA Jetson Nano. O estudo avalia a eficácia dos modelos otimizados em termos de velocidade de inferência para tarefas como classificação de imagens e detecção de ações em vídeos.
Link
2.2 Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN
Resumo
Hardware, baixo consumo de energia, alta precisão e desempenho são fatores cruciais para aplicações de deep learning. Unidades de processamento gráfico (GPU) de alto desempenho são comumente usadas em aplicações avançadas de deep learning. No entanto, a construção de uma plataforma de alta performance implica custos elevados e alto consumo de energia.
Neste estudo, comparamos o desempenho de computadores de placa única (single-board computers) — NVIDIA Jetson Nano, NVIDIA Jetson TX2 e Raspberry Pi 4 — utilizando um algoritmo de CNN (Rede Neural Convolucional) treinado com um conjunto de dados de imagens de produtos de moda. Um modelo 2D CNN foi desenvolvido para classificar 13 categorias diferentes de produtos fashion. O conjunto de dados contava com 45 mil imagens.
Link
2.3 Edge AI: A survey
Resumo
A inteligência artifical na borda (Edge AI) é a utilização de modelos de IA nos dispositivos próximos à fonte dos dados, em vez de depender de servidores em nuvem para o processamento. Esta tecnologia possui diversos benefícios como menor latência, mais privacidade, etc. O artigo discute os benefícios e as limitações dessa abordagem, citando inclusive a importância de algorítimos de ML otimizados para serem executados em ambientes com recursos mais limitados.
Link
2.4 Real-Time Monocular Human Depth Estimation and Segmentation on Embedded Systems
Resumo
Este trabalho propõe uma arquitetura de rede de baixa complexidade para estimativa de profundidade e segmentação humana em ambientes internos, visando aplicações em plataformas com recursos limitados, como a NVIDIA Jetson Nano. Através de otimizações na estrutura da rede, o sistema alcança taxas de quadros superiores a 114 FPS na Jetson Nano, mantendo precisão comparável a frameworks contemporâneos, demonstrando a capacidade da GPU CUDA em processar tarefas de visão computacional em tempo real.