La prolifération des dispositifs embarqués et le besoin croissant d’intelligence locale à faible latence ont positionné le Tiny Machine Learning (TinyML) comme un paradigme clé de l’intelligence artificielle embarquée. Parmi les tâches les plus exigeantes, la détection d’objets (OD) sur des plateformes telles que les microcontrôleurs (MCUs) demeure un défi. Cette thèse explore la conception et l’optimisation de modèles OD efficaces et explicables adaptés aux environnements TinyML. Nous examinons les techniques de compression de modèles, telles que la quantification, l’élagage, la distillation des connaissances et la recherche d’architectures neuronales, et leur application dans des systèmes embarqués. En appliquant ces techniques, nous proposons deux modèles ultra-légers pour la plateforme DiceTrack et introduisons le jeu de données DiceVision pour la reconnaissance de dés. Nous introduisons également une méthodologie utilisant les grands modèles de langage (LLMs) pour automatiser la génération d’architectures optimisées pour les contraintes matérielles des MCUs. Les modèles générés sont évalués sur DiceVision et comparés sur plusieurs plateformes embarquées. Cette thèse contribue à l’avancement de la détection d’objets dans des environnements ultra contraints.
Building similarity graph...
Analyzing shared references across papers
Loading...
Christophe El Zeinaty
Building similarity graph...
Analyzing shared references across papers
Loading...
Christophe El Zeinaty (Thu,) studied this question.