Κατανεμημένες τεχνικές ανάλυσης εικόνας
| datacite.contributor.RelatedPerson | Μουστάκας, Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Λυμπερόπουλος, Δημήτριος | |
| datacite.contributor.Supervisor | Μπερμπερίδης, Κωνσταντίνος | |
| dc.contributor.author | Σούλης, Στέφανος | |
| dc.contributor.other | Soulis, Stefanos | |
| dc.date.accessioned | 2026-07-01T10:19:25Z | |
| dc.date.available | 2026-07-01T10:19:25Z | |
| dc.date.issued | 2026-06-30 | |
| dc.degree | graduateThesis | |
| dc.description.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). | |
| dc.description.translatedabstract | A complete FL system was designed and implemented using the Flower framework, employing the FedAvg protocol with 60 training rounds, 5 simultaneous clients, and 4 local epochs per round. Two models were evaluated (YOLOv5s with 7.24M parameters and YOLOv5n with 1.9M parameters), across two datasets (MS COCO as IID and VisDrone as de facto non-IID), and five numerical precision levels (AMP, FP32, FP16, INT8+FP16, INT8 QAT) [1, 4, 5, 6].Experimental results reveal that FL achieves 88.5% of centralized mAP@0.5 performance on COCO (IID), while on VisDrone (non-IID) FL surpasses centralized training (0.372 vs 0.322), due to stochastic regularization acting as an implicit ensemble. FP16 quantization retains 96% of FP32 performance with 50% model size reduction, while INT8 QAT exhibits a critical threshold of approximately 40 samples per class. Data volume emerges as the dominant factor over architecture choice, and training time remains nearly invariant across precision levels [5, 6, 8, 9].The thesis provides quantitative guidelines for deploying FL-based object detection systems in practical scenarios (smart city surveillance, drone fleets, industrial quality control), with the optimal configuration being YOLOv5n in FP16 (3.59 MB model size, ~700 MB GPU memory, mAP >0.30). | |
| dc.identifier.uri | https://hdl.handle.net/10889/32176 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Ομοσπονδιακή μάθηση | |
| dc.subject | Ανίχνευση αντικειμένων | |
| dc.subject | Κβαντοποίηση | |
| dc.subject | Συσκευές ακμής | |
| dc.subject | Μη IID δεδομένα | |
| dc.subject.alternative | Federated learning | |
| dc.subject.alternative | Yolov5 | |
| dc.subject.alternative | Quantatization | |
| dc.subject.alternative | Edge devices | |
| dc.subject.alternative | Fedavg | |
| dc.subject.alternative | Non IID data | |
| dc.title | Κατανεμημένες τεχνικές ανάλυσης εικόνας | |
| dc.title.alternative | Distributed image analysis techniques |