dc.contributor.advisor | Murillo Fuentes, Juan José | es |
dc.creator | Leitner, Max | es |
dc.date.accessioned | 2023-09-25T16:52:30Z | |
dc.date.available | 2023-09-25T16:52:30Z | |
dc.date.issued | 2023 | |
dc.identifier.citation | Leitner, M. (2023). Estimating thread densities in X-rays of old canvases with PyTorch. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla. | |
dc.identifier.uri | https://hdl.handle.net/11441/149133 | |
dc.description.abstract | The goal of the following student work is to rewrite a model, implemented in Keras, to PyTorch. Those models
execute a thread counting task on images, representing 1cm squared patches of radiographs, which are taken
from old paintings. Both models area trained and compared in terms of accuracy and efficiency, which includes
resource consumption in form of memory and runtime. By evaluating those metrics, it can be determined how
both frameworks behave and if a performance boost can be achieved through the change of the framework.
To answer this question, structural differences between the model implementations of both frameworks are
analyzed and the gained knowledge is used to recreate the model and the corresponding training structures. Each
model is trained 10 times with the same training parameters, after which the best performing model is selected
to perform an additional comparison on the test dataset. During the training, performance measurements are
taken.
The experiment showed that models from both frameworks equally performed in terms of accuracy. PyTorch
does perform worse regarding training speed. On average, it´s models take 1,7 times as long to finish an epoch
of their training. On the other hand, PyTorch thrives in the matter of memory consumption, consuming only one
third of the available GPU memory with no additional allocation. Keras utilized the full 16GB of GPU memory,
while still allocating 12GB of memory additionally.
Without an individual adaptation of training parameters, no overall improvement could be achieved on the
dataset, through a change of the framework. | es |
dc.description.abstract | El objetivo del siguiente trabajo de estudiante es reescribir un modelo, implementado en Keras, a PyTorch. Estos
modelos ejecutan una tarea de recuento de hilos en imágenes en recortes de 1cm cuadrado de radiografías,
tomados de pinturas antiguas. Ambos modelos se entrenaron y compararon en términos de precisión y eficiencia,
lo que incluye el consumo de recursos en forma de memoria y tiempo de ejecución. Evaluando esas métricas,
se puede determinar cómo se comportan ambos entornos y si se puede conseguir un aumento del rendimiento
mediante el cambio de entorno.
Para responder a esta pregunta, se analizan las diferencias estructurales entre las implementaciones del modelo
de ambos entornos y los conocimientos adquiridos se utilizan para recrear el modelo y las estructuras de
entrenamiento correspondientes. Cada modelo se entrena 10 veces con los mismos parámetros de entrenamiento,
tras lo cual se selecciona el modelo con mejor rendimiento para realizar una comparación adicional en el
conjunto de datos de prueba. Durante el entrenamiento se realizan mediciones del rendimiento.
El experimento demostró que los modelos de ambos entornos obtuvieron los mismos resultados en términos de
precisión. PyTorch obtiene peores resultados en cuanto a velocidad de entrenamiento. De media, sus modelos
tardan 1,7 veces más en terminar una época de entrenamiento. Por otro lado, PyTorch destaca en lo que respecta
al consumo de memoria, ya que sólo consume un tercio de la memoria disponible en la GPU sin ninguna
asignación adicional. Keras utilizó la totalidad de los 16 GB de memoria de la GPU, sin dejar de asignar 12 GB
de memoria adicional.
Sin una adaptación individual de los parámetros de entrenamiento, no se pudo lograr ninguna mejora global en
el conjunto de datos mediante un cambio de entorno. | es |
dc.format | application/pdf | es |
dc.format.extent | 68 p. | es |
dc.language.iso | spa | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Keras | es |
dc.subject | PyTorch | es |
dc.subject | Model migration | es |
dc.subject | Thread counting | es |
dc.subject | Radiograph analysis | es |
dc.subject | Performance evaluation | es |
dc.subject | Memory utilization, | es |
dc.subject | Training speed | es |
dc.subject | Accuracy | es |
dc.title | Estimating thread densities in X-rays of old canvases with PyTorch | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Teoría de la Señal y Comunicaciones | es |
dc.description.degree | Universidad de Sevilla. Grado en Ingeniería de Tecnologías de Telecomunicación | es |