Automatizované testování a vyhodnocování modelů hlubokých neuronových sítí na vestavěných platformách

Simple item page
but.committeeprof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Lukáš Burget, Ph.D. (člen) doc. Ing. Vladimír Janoušek, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Jaroslav Rozman, Ph.D. (člen) Ing. František Grézl, Ph.D. (člen)cs
but.defenceStudent nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B.cs
but.jazykangličtina (English)
but.programInformační technologie a umělá inteligencecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKočí, Radeken
dc.contributor.authorKasem, Jakuben
dc.contributor.refereeJanoušek, Vladimíren
dc.date.accessioned2025-06-25T03:57:35Z
dc.date.available2025-06-25T03:57:35Z
dc.date.created2025cs
dc.description.abstractTáto magisterská práca sa zameriava na automatizované testovanie modelov hlbokých neurónových sietí na vstavaných platformách. Teoretická časť práce skúma populárne úložiská modelov umelej inteligencie a nástroje na získavanie modelov z takýchto úložísk. Teoretický základ práce taktiež zahŕňa prehľad metrík používaných na hodnotenie modelov hlbokých neurónových sietí v úlohách klasifikácie, detekcie objektov a segmentácie. Práca ďalej opisuje návrh a implementáciu systému, ktorý automatizuje testovanie a vyhodnocovanie modelov hlbokých neurónových sietí na vstavaných Linux architektúrach. Navrhované riešenie sa zameriava na meranie presnosti a odozvy modelu, s funkcionalitou, ktorá umožňuje detekciu regresie výkonu. Riešenie bolo overené na vstavaných platformách vyrábaných spoločnosťou NXP Semiconductors s použitím modelov hlbokých neurónových sietí v rôznych úlohách počítačového videnia. Práca končí diskusiou o skúsenostiach získaných počas implementácie a načrtáva možnosti ďalšieho vývoja a rozšírenia systému.en
dc.description.abstractThis master’s thesis focuses on automated testing of deep neural network models on embedded platforms. The literature review explores popular artificial intelligence model repositories and tools to retrieve models from such repositories. The theoretical foundation of the thesis also includes a review of accuracy metrics used for evaluating deep neural network models in classification, object detection, and segmentation tasks. The thesis further describes the design and the implementation of a framework that automates testing and evaluation of deep neural network models on Linux-based embedded architectures. The proposed solution focuses on measuring model accuracy and latency, with a feature that enables detection of performance regressions over time. The solution was validated on embedded platforms manufactured by NXP Semiconductors using deep neural network models across different computer vision tasks. The thesis concludes with a reflection on lessons learned during implementation and outlines opportunities for further development and expansion of the system.cs
dc.description.markBcs
dc.identifier.citationKASEM, J. Automatizované testování a vyhodnocování modelů hlubokých neuronových sítí na vestavěných platformách [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2025.cs
dc.identifier.other164232cs
dc.identifier.urihttps://hdl.handle.net/11012/254954
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectAutomatizované testovanieen
dc.subjecthlboké neurónové sieteen
dc.subjectvstavané systémyen
dc.subjectvyhodnotenie neurónovej sieteen
dc.subjectpresnosť neurónovej sieteen
dc.subjectodozva neurónovej sieteen
dc.subjectpočítačové videnieen
dc.subjectklasifikáciaen
dc.subjectdetekcia objektoven
dc.subjectsémantická segmentáciaen
dc.subjectTensorFlow Liteen
dc.subjectTFLiteen
dc.subjectúložisko AI modeloven
dc.subjectKaggleen
dc.subjectHugging Faceen
dc.subjectFastAPI.en
dc.subjectAutomated testingcs
dc.subjectdeep neural networkscs
dc.subjectembedded systemscs
dc.subjectneural network evaluationcs
dc.subjectperformance regression detectioncs
dc.subjectneural network accuracycs
dc.subjectneural network latencycs
dc.subjectcomputer visioncs
dc.subjectclassificationcs
dc.subjectobject detectioncs
dc.subjectsemantic segmentationcs
dc.subjectTensorFlow Litecs
dc.subjectTFLitecs
dc.subjectmodel hubcs
dc.subjectKagglecs
dc.subjectHugging Facecs
dc.subjectFastAPI.cs
dc.titleAutomatizované testování a vyhodnocování modelů hlubokých neuronových sítí na vestavěných platformáchen
dc.title.alternativeAutomated testing and evaluation of Deep Neural Network models on embedded platformscs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2025-06-24cs
dcterms.modified2025-06-24-12:07:02cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid164232en
sync.item.dbtypeZPen
sync.item.insts2025.06.25 05:57:35en
sync.item.modts2025.06.25 05:34:21en
thesis.disciplineStrojové učenícs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav inteligentních systémůcs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
final-thesis.pdf
Size:
1.56 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
review_164232.html
Size:
8.68 KB
Format:
Hypertext Markup Language
Description:
file review_164232.html
Download
Collections
2025