Nesnelerin interneti cihazlarda derin öğrenme kullanarak eylem algılama

Abstract

Nesnelerin İnterneti (IoT) teknolojisi akıllı teknolojik cihazların birbiri ile iletişime geçip haberleşmesidir. Bununla birlikte Nesnelerin İnterneti (IoT) gelişimiyle beraber gün geçtikçe, akıllı uygulamaların ve birbirine bağlı olan cihazların sayısı artmaktadır. Derin Öğrenme (DL) yöntemi toplanan çok miktarda ham verinin işlenmesi, zekâ ve uygulama yeteneklerini daha da geliştirmek için gerekli hale gelmiş durumdadır. Araştırmacıların çoğunluğunun eylem algılama üzerine yoğunlaştığı görülmektedir. Deep learning kullanılarak IoT cihazlarında doğrudan eylem algılaması yaygın bir yöntem değildir. Derin Öğrenme uygulamaları yüksek CPU, RAM ve depolamaya ihtiyaç duyduğundan IoT cihazlarında standart Derin Öğrenme tekniklerinin kullanılması zordur. Bu tez çalışmasında farklı olarak derin öğrenme tekniklerinin IoT cihazlarında kullanılması ile eylem algılama işlemi doğrudan kenar cihazında yapılmasın üzerine çalışılmıştır. Bunun için 3 farklı gerçek IoT cihazı üzerinde mini boyutlu Derin Öğrenme (DL-Lite) teknikleri uygulanmıştır. Bu tekniklerin IoT cihazlarında uygulanması sonucunda ortaya çıkan algılamada doğrululuk, gecikme ve cihazların sıcaklığı gibi parametrelere göre IoT cihazların ve mini Derin Öğrenme tekniklerinin kıyaslanması gerçekleştirilmiştir.

Implementation of the Internet of Things (IoT) is becoming wide-spread, particularly in smart city applications. Due to the high amounts of raw data gathered by enormous of IoT devices, the Deep Learning (DL) method has become necessary to further develop intelligence and application capabilities. In particular visual action detection is one of the critical components of a smart city. It is challenging to use standard Deep Learning techniques for action detection in IoT devices because Deep Learning applications need high CPU, RAM, and storage. To use the standard DL techniques in IoT devices some of DL models shrinked.In this master's thesis, Deep Learning Lite and Micro techniques were applied on real IoT devices. Comparison of IoT devices and Deep Learning Lite and Micro techniques was performed in terms of parameters such as accuracy, delay, and temperature of the devices, applying these Techniques in IoT devices.