Original title: Implementace výstupů strojového učení na vestavných platformách
Translated title: Implementation of Machine Learning Outputs on Embedded Platforms
Authors: Kinash, Daria ; Šimek, Václav (referee) ; Strnadel, Josef (advisor)
Document type: Bachelor's theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Nasazení strojového učení na mikrokontrolérech umožňuje inferenci v reálném čase bez potřeby síťového připojení, ale vyžaduje pečlivá návrhová rozhodnutí. Tato práce představuje kompletní implementaci strojového učení pro rozpoznávání gest zápěstí v reálném čase na mikrokontroléru NXP i.MX RT1050. Kompaktní jednorozměrná konvoluční neuronová síť a pět klasických klasifikátorů byly natrénovány, kvantizovány a nasazeny na cílovém hardwaru a hodnoceny z hlediska přesnosti, latence inference a paměťových nároků. Základní CNN dosáhla přesnosti 94.3 % na vlastním datasetu se dvěma subjekty. Plná int8 kvantizace snížila spotřebu SRAM o 75 % při změně přesnosti pouze o +0.4 procentního bodu a průměrná doba inference na zařízení je 13 199 s, což je méně než 2 % dostupného časového rozpočtu. Mezi klasickými modely dosáhl rozhodovací strom nejrychlejší inference (221 s) při využití méně než 10 KB flash paměti. Studie hyperparametrů na benchmarku UCI Human Activity Recognition potvrdila správnost navrženého postupu a ukázala, že optimální nastavení se výrazně liší mezi velkými a malými datasety. Na datasetu gest se dvěma subjekty dosahuje logistická regrese stejné přesnosti jako nejlepší CNN, zatímco testování mezi subjekty dosáhlo pouze 34.7 % přesnosti, což ukazuje omezenou velikost trénovacích dat jako hlavní limit. Deploying machine learning on microcontrollers enables real-time inference without connectivity, but requires careful design choices. This thesis presents an end-to-end implementation of machine learning for real-time wrist gesture recognition on the NXP i.MX RT1050 microcontroller. A compact one-dimensional convolutional neural network and five classical classifiers were trained, quantized, deployed on the target hardware, and evaluated for accuracy, inference latency, and memory consumption. The baseline CNN achieved 94.3 % test accuracy on a custom two-subject dataset. Full int8 quantization reduced SRAM consumption by 75 % with an accuracy change of only +0.4 percentage points, and average on-board inference time is 13 199 s, under 2 % of the available time budget. Among the classical models the decision tree achieved the fastest inference (221 s) with under 10 KB of flash. A hyperparameter study on the UCI Human Activity Recognition benchmark validated the pipeline and showed that optimal settings differ between large and small datasets. On the two-subject gesture data, logistic regression matches the best CNN result, while cross-subject testing yielded only 34.7 % accuracy, identifying the small training corpus as the main limitation.
Keywords: inerciální měřicí jednotka; jednorozměrná konvoluční neuronová síť; kvantizace; LiteRT; mikrokontrolér; NXP i.MX RT1050; rozpoznávání gest; strojové učení; TensorFlow Lite Micro; TinyML; vestavěné systémy; 1D convolutional neural network; embedded systems; gesture recognition; inertial measurement unit; LiteRT; machine learning; microcontroller; NXP i.MX RT1050; quantisation; TensorFlow Lite Micro; TinyML

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/258752

Permalink: http://www.nusl.cz/ntk/nusl-777654


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses