VALUTAZIONE DI LIBRERIE TINYML PER COMPUTER VISION SU RIOT OS

Negli ultimi anni l’Intelligenza Artificiale (IA) e il Machine Learning (ML) hanno suscitato un interesse sempre maggiore, sia in ambito accademico che industriale. Tuttavia per raggiungere il livello di accuratezza ricercato è necessaria una potenza di calcolo enorme che provoca ingenti consumi energetici. Per far fronte a queste problematiche sono emersi paradigmi come l’Edge Computing e il TinyML, con lo scopo di implementare soluzioni di ML su dispositivi locali meno potenti e con un basso consumo energetico, offrendo così un’alternativa al Cloud Computing. Data l’ampia scelta di RTOS, microcontrollori e librerie software per il TinyML disponibili, può diventare problematico e dispendioso in termini di tempo analizzare l’efficacia e l’effettiva viabilità di ciascuna soluzione. Questa tesi mira ad individuare ed analizzare un certo numero di librerie per il TinyML utilizzabili su RIOT OS. Viene quindi realizzata un’applicazione embedded in grado di riconoscere immagini appartenenti a otto categorie differenti, per valutare le prestazioni delle librerie selezionate in un contesto semi-reale. Si valutano tempo di esecuzione e memoria impiegata da ciascuna liberia per compilare i modelli utilizzati per la classificazione. In questo modo si forniscono dati utili al fine di selezionare una libreria per futuri progetti in ambito TinyML. L’accuratezza dei modelli ottenuti varia dal 47% al 78% utilizzando tecniche di Computer Vision (CV) tradizionali.