Analisis Performa TensorFlow Lite untuk IoT dengan ESP32 DEVKIT-C (Studi Kasus: Pengenalan Gambar Sampah di Sungai)
Kata Kunci:
mikrokontroler, esp32, tensorflow lite micro, waktu inferensi, akurasi model, deep learning, neural networkAbstrak
Penggunaan AI dalam IoT sangat bergantung pada keberadaan server untuk menjalankan program AI, seringkali hal ini menimbulkan beberapa masalah terutama latensi, keamanan dan biaya. Untuk mengatasi masalah-masalah tersebut, AI harus dijalankan tanpa menggunakan Cloud. Salah satu caranya adalah dengan menjalankan AI pada perangkat yang lebih dekat dengan sumber data (edge node). Teknologi yang memungkinkan hal ini adalah Tensorflow Lite. Tujuan dari penelitian ini adalah untuk menganalisis performa dari Tensorflow Lite Micro yang dijalankan di ESP32 DevKit C dengan mengujinya menggunakan input gambar dengan ukuran yang berbeda-beda dan arsitektur yang berbeda- beda. Temuan-temuan utama pada penelitian ini adalah: (1) Kuantisasi dengan metode Full integer quantization Integer Only adalah metode terbaik untuk digunakan dalam implementasi AI di ESP32 DevKit C; (2) total parameter dan ukuran input model memiliki pengaruh yang cukup signifikan terhadap performa dan Deployability pada ESP32 DevKit-C; (3) Model-model yang diuji menunjukkan Deployability yang baik pada ESP32 DevKit-C. Ini menandakan bahwa model AI yang diimplementasikan menggunakan TensorFlow Lite dapat dengan mudah diterapkan dan dijalankan pada perangkat terbatas.
Referensi
Abdulkareem, N.M., Zeebaree, S.R.M., Sadeeq, M.A.M., Ahmed, D.M., Sami, A.S. dan Zebari, R.R., 2021. IoT and Cloud Computing Issues, Challenges and Opportunities: A Review. Qubahan Academic Journal, [daring] 1(2), hal.1–7. https://doi.org/10.48161/issn.2709-8206.
Canziani, A., Paszke, A. dan Culurciello, E., 2016. An Analysis of Deep Neural Network Models for Practical Applications. [daring] (Nips). Tersedia pada: <http://arxiv.org/abs/1605.07678>.
David, R., Duke, J., Jain, A., Reddi, V.J., Jeffries, N., Li, J., Kreeger, N., Nappier, I., Natraj, M., Regev, S., Rhodes, R., Wang, T. dan Warden, P., 2020. TensorFlow Lite Micro: Embedded Machine learning on TinyML Systems. [daring] Tersedia pada: <http://arxiv.org/abs/2010.08678>.
Dokic, K., Martinovic, M. dan Mandusic, D., 2020. Inference speed and quantisation of neural networks with TensorFlow Lite for Microcontrollers framework. SEEDA-CECNSM 2020 - 5th South-East Europe Design Automation, Computer Engineering, Computer Networks and Social Media Conference. https://doi.org/10.1109/SEEDA-CECNSM49515.2020.9221846.
Gokhale, P., Bhat, O. dan Bhat, S., 2007. Introduction to IOT. International Advanced Research Journal in Science, Engineering and Technology ISO, 3297(1). https://doi.org/10.17148/IARJSET.2018.517.
Hansen, E.B. dan Bøgh, S., 2021. Artificial Intelligence and internet of things in small and medium-sized enterprises: A survey. Journal of Manufacturing Systems, 58, hal.362–372. https://doi.org/10.1016/J.JMSY.2020.08.009.
Orasan, I.L., Seiculescu, C. dan Caleanu, C.D., 2022. Benchmarking TensorFlow Lite Quantization Algorithms for Deep Neural Networks. SACI 2022 - IEEE 16th International Symposium on Applied Computational Intelligence and Informatics, Proceedings, hal.221–226. https://doi.org/10.1109/SACI55618.2022.9919465.
Tensorflow, 2021. Model optimization | TensorFlow Lite. [daring] Tersedia pada: <https://www.tensorflow.org/lite/performance/model_optimization> [Diakses 10 Juli 2023].
TensorFlow, 2023. Post-training quantization | TensorFlow Lite. [daring] Tersedia pada: <https://www.tensorflow.org/lite/performance/post_training_quantization> [Diakses 7 Juli 2023].
Abdulkareem, N.M., Zeebaree, S.R.M., Sadeeq, M.A.M., Ahmed, D.M., Sami, A.S. dan Zebari, R.R., 2021. IoT and Cloud Computing Issues, Challenges and Opportunities: A Review. Qubahan Academic Journal, [daring] 1(2), hal.1–7. https://doi.org/10.48161/issn.2709-8206.
Canziani, A., Paszke, A. dan Culurciello, E., 2016. An Analysis of Deep Neural Network Models for Practical Applications. [daring] (Nips). Tersedia pada: <http://arxiv.org/abs/1605.07678>.
David, R., Duke, J., Jain, A., Reddi, V.J., Jeffries, N., Li, J., Kreeger, N., Nappier, I., Natraj, M., Regev, S., Rhodes, R., Wang, T. dan Warden, P., 2020. TensorFlow Lite Micro: Embedded Machine learning on TinyML Systems. [daring] Tersedia pada: <http://arxiv.org/abs/2010.08678>.
Dokic, K., Martinovic, M. dan Mandusic, D., 2020. Inference speed and quantisation of neural networks with TensorFlow Lite for Microcontrollers framework. SEEDA-CECNSM 2020 - 5th South-East Europe Design Automation, Computer Engineering, Computer Networks and Social Media Conference. https://doi.org/10.1109/SEEDA-CECNSM49515.2020.9221846.
Gokhale, P., Bhat, O. dan Bhat, S., 2007. Introduction to IOT. International Advanced Research Journal in Science, Engineering and Technology ISO, 3297(1). https://doi.org/10.17148/IARJSET.2018.517.
Hansen, E.B. dan Bøgh, S., 2021. Artificial Intelligence and internet of things in small and medium-sized enterprises: A survey. Journal of Manufacturing Systems, 58, hal.362–372. https://doi.org/10.1016/J.JMSY.2020.08.009.
Orasan, I.L., Seiculescu, C. dan Caleanu, C.D., 2022. Benchmarking TensorFlow Lite Quantization Algorithms for Deep Neural Networks. SACI 2022 - IEEE 16th International Symposium on Applied Computational Intelligence and Informatics, Proceedings, hal.221–226. https://doi.org/10.1109/SACI55618.2022.9919465.
Tensorflow, 2021. Model optimization | TensorFlow Lite. [daring] Tersedia pada: <https://www.tensorflow.org/lite/performance/model_optimization> [Diakses 10 Juli 2023].
TensorFlow, 2023. Post-training quantization | TensorFlow Lite. [daring] Tersedia pada: <https://www.tensorflow.org/lite/performance/post_training_quantization> [Diakses 7 Juli 2023].
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
