prikaz prve stranice dokumenta Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu
Rad nije dostupan
završni rad
Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:162987
Inkret, Leonard
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Inkret, L. (2023). Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:162987

Inkret, Leonard. "Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:162987

Inkret, Leonard. "Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:162987

Inkret, L. (2023). 'Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 15.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:162987

Inkret L. Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 15.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:162987

L. Inkret, "Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:162987

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:162987
Podaci o radu
NaslovPrepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu
Naslov (engleski)Event recognition using machine learning in an embedded measurement system
AutorLeonard Inkret
MentorMarko Jurčević (mentor)
Član povjerenstvaMarko Jurčević (predsjednik povjerenstva)
Član povjerenstvaJure Konjevod (član povjerenstva)
Član povjerenstvaIvan Leniček (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023-07-07, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Ovaj završni rad, "Primjena TinyML-a u ugradbenim računalnim sustavima", fokusira se na istraživanje potencijala primjene sitnog strojnog učenja, poznatog kao TinyML, u domeni ugradbenih računalnih sustava. Rad pruža sveobuhvatan pregled trenutnog stanja i mogućnosti TinyML-a, posebno usmjeren na komercijalno dostupne ugradbene platforme koje podržavaju ovaj koncept. Glavni dio istraživanja posvećen je implementaciji sustava za detekciju prisutnosti koristeći TensorFlow Lite na Raspberry Pi platformi, čime se demonstrira učinkovitost i fleksibilnost ovog razvojnog okvira na resursno ograničenim uređajima. Rad prikazuje proces implementacije, treniranja i evaluacije senzorske mreže, ukazujući na izazove susretane tijekom tog procesa, što je rezultiralo nepotpunim rezultatima. Unatoč tome, rad pruža uvid u mogućnosti i izazove koje donosi TinyML u kontekstu ugradbenih računalnih sustava, nudi smjernice za buduće implementacije te ističe potencijalni doprinos ovog područja za sigurnost, praćenje okoline i industrijsku automatizaciju.
Sažetak (engleski)
This thesis, "Application of TinyML in Embedded Computing Systems," focuses on exploring the potential of Tiny Machine Learning (TinyML) implementations within the realm of embedded computing systems. The work provides a comprehensive overview of the current state and capabilities of TinyML, with a special focus on commercially available embedded platforms that support this concept. The main part of the research is dedicated to the implementation of a occupancy detection system using TensorFlow Lite on a Raspberry Pi device, demonstrating the efficiency and flexibility of this development approach on resource-constrained devices. The paper outlines the process of implementing, training, and evaluating the sensor network, highlighting the challenges encountered during the process, which resulted in incomplete results. Despite this, the work provides insights into the opportunities and challenges brought by TinyML in the context of embedded computing systems, offers guidelines for future implementations, and underscores the potential contribution of this field to security, environmental monitoring, and industrial automation.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:162987
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-07-13 10:07:15