Modelo Mobile Net V2
Introdução
Este projeto visa a implementação e otimização de modelos de detecção de objetos utilizando a arquitetura MobileNetV2, com o objetivo de rodar eficientemente em um Raspberry Pi 5. Considerando as limitações de hardware do Raspberry Pi, optamos por converter os modelos treinados para os formatos TFLite e ONNX, garantindo a viabilidade de execução no dispositivo.
Estrutura do Projeto
O projeto foi dividido em duas etapas principais:
-
Treinamento e Avaliação do Modelo:
- Utilizamos o modelo MobileNetV2 como backbone para treinar um detector de árvores.
- Avaliação do desempenho do modelo em termos de precisão e eficiência de detecção em diferentes ambientes.
- Verificação da robustez do modelo ao ser aplicado em cenários com variação de densidade e posição das árvores.
-
Conversão e Otimização do Modelo:
- Conversão do modelo MobileNetV2 para os formatos TFLite e ONNX, visando a execução em dispositivos com baixa capacidade de processamento, como o Raspberry Pi 5.
- Realização de testes de inferência para validar a precisão e eficiência do modelo convertido.
- Implementação de técnicas de supressão de não-máximos (NMS) para otimizar as detecções de bounding boxes.
Estratégias de Treinamento
Treinamento com MobileNetV2
O MobileNetV2 foi escolhido pela sua arquitetura leve e eficiente, ideal para dispositivos de borda como o Raspberry Pi 5. Durante o treinamento, consideramos:
-
Dataset: Um dataset customizado assim como utilizado para o YOLOv8, com imagens de árvores em diferentes ambientes e densidades. Dataset - Forest-Analysis.
-
Configuração do Modelo: Ajustamos hiperparâmetros específicos para balancear a leveza do modelo com a necessidade de precisão, maximizando a eficiência computacional.
-
Avaliação: Implementamos técnicas de visualização de bounding boxes para verificar a precisão em diferentes cenários antes da conversão.
| Result - 1 | Result - 2 |
|---|---|
 |  |
Conversão para TFLite e ONNX
Assim como no caso do YOLOv8, a conversão para TFLite e ONNX foi um passo crucial para garantir que o MobileNetV2 pudesse ser executado eficientemente no Raspberry Pi 5. A estratégia de conversão envolveu:
- TFLite: A conversão para TensorFlow Lite permitiu a otimização do modelo para execução em hardware limitado, com foco na redução do tamanho do modelo e na melhoria da latência de inferência.
- ONNX: A conversão para ONNX proporcionou flexibilidade adicional, permitindo a utilização do modelo em diferentes frameworks e dispositivos.
Desempenho no Raspberry Pi 5
A previsão para o desempenho do MobileNetV2 em um Raspberry Pi 5 considerou os seguintes pontos:
- Eficiência Computacional: A conversão para TFLite e a aplicação de quantização "garantem" que o MobileNetV2 seja adequado para execução em um Raspberry Pi 5, respeitando as limitações de CPU e memória.
- Avaliação Pós-conversão: Testes extensivos pós-conversão indicaram que o modelo manteve uma precisão satisfatória e tempos de inferência adequados para aplicações em tempo real, o que reforça sua viabilidade para o uso em campo.
Resultados e Justificativas
- Desempenho do Modelo: O MobileNetV2 apresentou uma precisão sólida durante o treinamento, 62%, e os testes pós-conversão mantiveram um desempenho estável, com boas taxas de detecção e eficiência.
- Escolha de Arquitetura: A arquitetura MobileNetV2 foi escolhida devido à sua leveza, que é ideal para dispositivos de borda, como o Raspberry Pi.
- Conversão para TFLite e ONNX: A conversão foi essencial para garantir a viabilidade do modelo no Raspberry Pi, mantendo um bom equilíbrio entre precisão e tempo de inferência.
Conclusão
Esta parte do projeto demonstrou que a MobileNetV2 é uma arquitetura eficaz para detecção de objetos em dispositivos de baixa capacidade, como o Raspberry Pi 5. As estratégias de treinamento e conversão para TFLite e ONNX garantiram que o modelo pudesse ser executado eficientemente, mantendo uma precisão robusta para aplicações em tempo real.