Implementación de redes neuronales en Raspberry Pi 3 con Movidius Neural Compute Stick

Abstract

En este trabajo de fin de máster se realiza un estudio comparativo de la ejecución de redes neuronales profundas en un sistema embebido como es la Raspberry Pi. Para ello se cuenta con el Neural Compute Stick (NCS), una herramienta de desarrollo para inferencia de aprendizaje profundo con un consumo mínimo. De esta forma, se pretende crear una red neuronal desde cero para clasificar imágenes y ejecutarla en la Raspberry Pi sin el stick y con el stick, y comparar así los resultados para ver si realmente dicho stick proporciona un aumento de rendimiento en un sistema embebido. Además, esta red neuronal se ejecutará también con el portátil para poner en contexto los resultados de la Raspberry Pi y del NCS respecto a una máquina con grandes recursos. Por otra parte, también se pretende estudiar el tiempo de respuesta de las redes neuronales según la complejidad de la red. Para ello, se usan también algunas redes ya entrenadas por defecto, cada una de ellas con un número diferente de parámetros, y se ejecutarán en la Raspberry Pi sin el stick y con él, para comparar los resultados y ver cuál es el tiempo de respuesta según su complejidad. Dichas redes se ejecutarán también en el portátil para poner en contexto los resultados y comparar éstos también según la plataforma de ejecución de las redes neuronales.

In this master thesis, a comparative study of the execution of deep neural networks in an embedded system such as the Raspberry Pi is carried out. With this aim, the Neural Compute Stick (NCS) will be used as, a development tool for deep learning inference with minimal energy consumption. The overall aim is to create a neural network from scratch to classify images and run it on the Raspberry Pi with and without the stick, and thus compare the results to check to what extent the stick really improves the performance of an embedded system. In addition, this neural network will also be run on the laptop to put the results of the Raspberry Pi and the NCS in context with respect to a machine with larger resources. As an additional aim, this work will also study the response time of neural networks according to the complexity of the network. Some well-known neural networks already trained by default will be used for this purpose, each one with a different number of parameters. They will also be run on the Raspberry Pi with and without the stick in order to compare the results and analyze how the response varies with the network complexity. These experiments will also be run on the laptop to put the results in context and compare them.