Valutazione di approcci di TinyML per il conteggio di persone

Nell’ultimo decennio, si è assistito ad una crescita della popolarità del paradigma dell’Internet Of Things (IoT) data la presenza in larga scala dei dispositivi IoT in diversi aspetti della nostra quotidianità tramite applicazioni e tecnologie. . La maggior parte di questi dispositivi si basano su modelli di ML per eseguire diverse valutazioni in autonomia a seconda del contesto in cui si trovano. I dispositivi IoT in genere dispongono di risorse computazionali limitate, di conseguenza questo limita l’esecuzione di modelli complicati di ML all’interno di essi. In aggiunta, collegare dispositivi IoT ai servizi cloud ML dedicati può causare diverse difficoltà tra cui: una latenza data dalla trasmissione e ricezione dei dati, la sicurezza dei dati che può essere compromessa e gli eventuali errori di trasmissione. Nel corso degli anni, per affrontare queste sfide è stato sviluppato un paradigma dedicato ai dispositivi embedded, il Tiny MachineLearning (TinyML). L’obiettivo del TinyML è quello di integrare ed eseguire in tempo reale modelli di ML all’interno di dispositivi alimentati da Microcontrollori. Uno dei compiti più comuni dedicati al Deeplearning è sicuramente quello dell’Image processing e dell’object detection. Identificare degli oggetti all’interno di immagini o file video è uno degli argomenti di ricerca più impegnativi e studiati nell’ambito della visione artificiale, grazie al crescente interesse delle applicazioni che possono essere realizzate. L’obiettivo del lavoro di questa tesi è di realizzare un sistema di monitoraggio dedicato al conteggio dei pedoni utilizzando il paradigma del TinyML, valutando diversi approcci e studiando le diverse potenzialità offerte dalla OpenMV Cam. Inoltre, sono stati realizzati diversi esperimenti per studiare il comportamento e confrontare i risultati di diversi modelli di object detection dedicati a dispositivi embedded che presentano risorse computazionali ridotte.