Derin öğrenme algoritmasının gömülü sistem gerçeklemesi
Embedded system implementation of deep learning algorithm
- Tez No: 989502
- Danışmanlar: DOÇ. DR. SADİYE NERGİS TURAL POLAT, YRD. DOÇ. DR. ARZU TURAN DİNCEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde dijital teknolojilerin hızlı gelişimi ve güvenilir veri akışı sayesinde, Makine Öğrenmesi ve Derin Öğrenme alanında, önceden çözülemez görülen karmaşık öğrenme problemlerinin etkin şekilde çözüldüğü çok sayıda uygulama geliştirilmiştir. Google görsel arama, Microsoft Bing görüntü akışı, Facebook otomatik kişi etiketleme, Amazon ürün önerileri ve Pinterest kişiselleştirilmiş ana sayfa algoritmaları, derin öğrenme mimarileri üzerine inşa edilmiş yaygın örneklerden bazılarıdır. Özellikle Evrişimli Sinir Ağları görüntü algılama, tanıma ve sınıflandırma alanlarında büyük başarılara imza atmıştır. Bununla birlikte, bu tür derin öğrenme modellerinin gerektirdiği yüksek işlem gücü ve özel donanım gereksinimleri, mevcut işlemci mimarileriyle verimli bir şekilde karşılanamamaktadır. Literatürde, derin öğrenme modellerinin verimini artırmak amacıyla Uygulamaya Özel Entegre, Sahada Programlanabilir Kapı Dizileri ve Grafik İşlem Birimleri üzerine çok sayıda donanım hızlandırıcısı geliştirilmiştir. Bu platformlar arasında FPGA'lar, paralelliği en üst seviyeye çıkarma yetenekleri, düşük gecikme süreleri ve enerji verimlilikleriyle dikkat çekmektedir. RNN katmanlarının tekrarlayan ve zaman bağımlı yapısı, FPGA mimarisinin doğal paralel işlem avantajlarıyla uyumluluk göstermektedir. Bu çalışma kapsamında, Xilinx Zynq-7000 SoC platformu üzerinde RNN, LSTM ve LeNet-5 olmak üzere farklı derin öğrenme modellerinin FPGA tabanlı gömülü sistem simülasyonları gerçekleştirilmiştir. Uygulama sürecinde döngü boruhattı (pipeline), döngü açma (unroll), veri akışı ve bellek erişim optimizasyonu gibi tekniklerin performansa olan etkileri incelenmiştir. LSTM modelinde pipeline faktörünün artırılmasıyla işlem süresinin belirgin şekilde azaldığı, unroll faktörü uygulandığında ise paralellik düzeyinin yükselmesine bağlı olarak ek bir hızlanma elde edildiği gözlemlenmiştir. Deneysel sonuçlar, LSTM modelinin FPGA üzerinde CPU'ya göre yaklaşık 2850 kat daha hızlı çalıştığını, LeNet-5 modelinin ise yüksek doğruluk oranını koruyarak daha düşük kaynak kullanımıyla çalıştığını göstermektedir. Elde edilen bulgular, FPGA üzerinde gerçekleştirilen optimizasyonların derin öğrenme algoritmalarının işlem süresini kayda değer ölçüde kısalttığını, donanım kaynaklarının dengeli kullanımını sağladığını ve enerji verimliliğine katkıda bulunduğunu ortaya koymaktadır. Böylelikle bu çalışma, derin öğrenme mimarilerinin FPGA üzerinde düşük maliyet, düşük gecikme süresi ve yüksek paralellik avantajı ile etkin biçimde uygulanabileceğini, RNN, LSTM ve LeNet-5 örnekleri üzerinden deneysel olarak göstermektedir. Böylelikle bu çalışma, derin öğrenme mimarilerinin FPGA üzerinde düşük maliyet, düşük gecikme süresi ve düşük enerji tüketimiyle implementasyonunun mümkün olduğunu, RNN, LSTM ve LeNet-5 örneklerinde deneysel olarak ortaya koymuştur.
Özet (Çeviri)
With the rapid advancement of digital technologies and the availability of reliable data flow, numerous applications have been developed in the fields of Machine Learning and Deep Learning that effectively solve complex learning problems once considered unsolvable. Google Image Search, Microsoft Bing image feed, Facebook automatic face tagging, Amazon product recommendations, and Pinterest personalized homepage algorithms are some of the common examples built upon deep learning architectures. In particular, Convolutional Neural Networks (CNNs) have achieved remarkable success in image detection, recognition, and classification tasks. However, the high computational power and specialized hardware requirements of such deep learning models cannot be efficiently met by conventional processor architectures. To address this limitation, numerous hardware accelerators based on Application-Specific Integrated Circuits (ASICs), Field-Programmable Gate Arrays (FPGAs), and Graphical Processing Units (GPUs) have been developed in the literature. Among these platforms, FPGAs stand out with their ability to maximize parallelism, low latency, and energy efficiency. The recurrent and time-dependent structure of RNN layers aligns naturally with the parallel processing advantages of FPGA architectures. In this study, FPGA-based embedded system simulations of different deep learning models RNN, LSTM, and LeNet-5 were implemented on the Xilinx Zynq-7000 SoC platform. During implementation, the effects of optimization techniques such as loop pipelining, loop unrolling, dataflow, and memory access optimization on performance were examined. It was observed that increasing the pipeline factor in the LSTM model significantly reduced computation time, while applying the unroll factor further enhanced parallelism and provided additional speedup. Experimental results demonstrated that the LSTM model achieved approximately 2850× higher processing speed on the FPGA compared to the CPU, whereas the LeNet-5 model maintained high accuracy while operating with lower resource utilization. The findings reveal that FPGA-based optimizations considerably reduce computation time in deep learning algorithms, ensure balanced hardware resource utilization, and contribute to energy efficiency. Consequently, this study demonstrates that deep learning architectures can be effectively implemented on FPGAs with low cost, low latency, and high parallelism advantages, as experimentally shown through RNN, LSTM, and LeNet-5 models.
Benzer Tezler
- Ai-based visual odometry implementation on an embedded system
Yapay zeka tabanlı görsel odometrinin gömülü bir sistemde gerçeklemesi
OĞUZHAN BÜYÜKSOLAK
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Learning from minimally labeled data with accelerated convolutional neural networks
Hızlandırılmış evrişimli sı̇nı̇r ağları ı̇le minimal etiketli verı̇lerden öğrenme
AYŞEGÜL DÜNDAR BORAL
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPurdue UnıversıtyBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. EUGENİO CULURCİELLO
- A unified deep learning framework for scalable learning and uncertainty quantification in interval Type-2 fuzzy logic systems
Aralık Tip-2 bulanık mantık sistemlerinde ölçeklenebilir öğrenme ve belirsizlik nicelendirmesi için derin öğrenme tabanlı birleştirilmiş bir çerçeve
ATA KÖKLÜ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Panoramik radyografilerde üçüncü molar dişlerin çekim zorluk indeksinin belirlenmesi için yapay zeka destekli klinik bir asistan tasarımı
Design of an artificial intelligence-supported clinical assistant for determination of extraction difficulty index of third molar teeth in panoramic radiographs
SERAP AKDOĞAN
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriPamukkale ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET ÜSAME ÖZİÇ
PROF. DR. MELEK TAŞSÖKER BULUT
- İnsansız hava araçlarında gömülü yapay zeka tabanlı görüntü eşleştirme yöntemi ve uygulaması
Embedded artificial intelligence based image matching method and application in unmanned aerial vehicles
ENGİN ÖKSÜZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANKUT AKGÜL