Κατανεμημένες τεχνικές ανάλυσης εικόνας
Loading...
Date
2026-06-30
Authors
Σούλης, Στέφανος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Σχεδιάστηκε και υλοποιήθηκε ένα ολοκληρωμένο σύστημα ομοσπονδιακής μάθησηςβασισμένο στο πλαίσιο Flower, με πρωτόκολλο FedAvg, 60 γύρους εκπαίδευσης, 5 ταυτόχρονους clients, και 4 εποχές ανά γύρο. Αξιολογήθηκαν δύο μοντέλα (YOLOv5s: 7,24M παράμετροι και YOLOv5n: 1,9M παράμετροι), δύο σύνολα δεδομένων (MS COCO ως IID και VisDrone ως de facto non-IID), και πέντε επίπεδα αριθμητικής ακρίβειας (AMP, FP32, FP16, INT8+FP16, INT8 QAT) [1, 4, 5, 6].Τα πειραματικά αποτελέσματα αποκαλύπτουν ότι η ομοσπονδιακή μάθηση επιτυγχάνει το 88,5% της κεντρικοποιημένης απόδοσης mAP@0.5 στο COCO (IID), ενώ στο VisDrone (non-IID) η ομοσπονδιακή μάθηση υπερβαίνει την κεντρικοποιημένη εκπαίδευση (0,372 έναντι 0,322), λόγω του φαινομένου στοχαστικής κανονικοποίησης που δρα ως implicit ensemble. Η FP16 κβαντοποίηση διατηρεί το 96% της απόδοσης FP32 με 50% μείωση μεγέθους μοντέλου, ενώ η INT8 QAT εμφανίζει κρίσιμο κατώφλι ~40 δειγμάτων/κατηγορία. Ο όγκος δεδομένων αναδεικνύεται ως κυρίαρχος παράγοντας έναντι της αρχιτεκτονικής επιλογής, και ο χρόνος εκπαίδευσης παραμένει σχεδόν αμετάβλητος μεταξύ επιπέδων κβαντοποίησης [5, 6, 8, 29].Η εργασία παρέχει ποσοτικές κατευθυντήριες γραμμές για την ανάπτυξη συστημάτωνομοσπονδιακής ανίχνευσης αντικειμένων σε πρακτικά σενάρια (smart city, drones, βιομηχανικός ποιοτικός έλεγχος), με βέλτιστη ρύθμιση το YOLOv5n σε FP16 (3,59 MB μέγεθος, ~700 MB μνήμη GPU, mAP >0,30).
Description
Keywords
Ομοσπονδιακή μάθηση, Ανίχνευση αντικειμένων, Κβαντοποίηση, Συσκευές ακμής, Μη IID δεδομένα