Kutatás

Mesterséges intelligenciával generált szöveg

Kis fogyasztású eszközökön tesztelték az uborkaméréshez használt gépi látást

A University of Windsor és az Abu-Dzabiban működő Mohamed bin Zayed University of Artificial Intelligence kutatói azt vizsgálták, hogyan teljesít egy uborkamérő gépi látási rendszer különböző hardvereken.

Kis fogyasztású eszközökön tesztelték az uborkaméréshez használt gépi látást

A University of Windsor és az Abu-Dzabiban működő Mohamed bin Zayed University of Artificial Intelligence kutatói azt vizsgálták, mennyire alkalmasak különböző számítógépek az uborkák hosszát mérő gépi látási rendszer futtatására. A kísérletben két kis fogyasztású eszköz, az NVIDIA Jetson Orin Nano és a Raspberry Pi 4 teljesítményét egy RTX 3050 Ti grafikus kártyával felszerelt munkaállomáséval hasonlították össze.

A mérőrendszer figyelembe veszi az uborka görbületét. A folyamat a YOLO26n modellre épülő objektumfelismerést, promptalapú szegmentálást és egy, a termés középvonalához illesztett ív becslését foglalja magában. A kutatók mindhárom hardveren ugyanazt az 50 üvegházi felvételt dolgoztatták fel, amelyek összesen hét uborkát ábrázoltak. Az eredmények statisztikai értékeléséhez példányonkénti csoportos bootstrap módszert használtak.

Eltérő kompromisszumok

Az ilyen mérések gyakorlati alkalmazásánál fontos a rendelkezésre álló számítási kapacitás. Az uborkák osztályozásához használt megfigyelőplatform a sorok között haladhat, és olyan egylapos számítógépet hordozhat, amelynek fogyasztási kerete csupán néhány watt. Egy ilyen eszközben nincs különálló grafikus processzor, és aktív hűtés sem feltétlenül áll rendelkezésre.

A vizsgálat szerint a Jetson és a Raspberry Pi is használható eredményt adott, de eltérő feladatokra kínálkozik. A Jetson a natív maszkokat alkalmazva az áteresztőképesség, SAM használatával pedig a pontosság szempontjából jelentett megfelelő választást. A Raspberry Pi natív maszkokkal az alacsonyabb költségű lehetőséget képviselte.

A kísérlet azt is szemlélteti, miért fontos a mesterségesintelligencia-rendszerek kisebb fogyasztású hardverhez igazítása. Az olyan feladatok automatizálásához, amelyeket ma emberek és gépek együtt végeznek, a gépi látásnak a helyszínen rendelkezésre álló számítási és energiaforrások mellett is megfizethetően kell működnie.