Jan Vales

Michal Princ

Zdenek Zadera

Marek Vitula

Michal Princ

Petr Lukas

Zbynek Fedra

Petr Papica

Stanislav Pobořil

Petr Hradsky

Detekce objektů na mikrokontroleru i.MX RT Strojové učení nachází uplatnění mimo jiné i v průmyslových aplikacích, továrnách a montovnách. Jedním z možných způsobů využití je detekce objektů a jejich následná manipulace robotickou paží. Z mnoha důvodů, včetně lepšího zabezpečení a menší latence, vznikají technologie umožňující využití neuronových sítí tzv. „at the edge“, tedy lokálně, na méně výkonných zařízeních využívajících například mikrokontrolery, bez potřeby využití více výkonných strojů v Cloudu. Vytvořte aplikaci využívající neuronovou síť na i.MX RT, která bude schopná detekovat na jakých souřadnicích se v prostoru snímaném kamerou nachází předmět uživatelem vybrané barvy a tvaru. Dále vytvořte jednoduchou aplikaci s GUI na PC, která nabídne uživateli seznam dostupných tvarů a barev, danou volbu sdělí aplikaci na i.MX RT a následně zobrazí výsledek detekce. Nastudovat základy neuronových sítí. Popsat, jak se dají využít neuronové sítě na vestavěných zařízeních, jaká omezení pro tyto technologie přináší mikrokontrolery a jaké výhody a nevýhody tento přístup přináší. Identifikovat vhodné nástroje a knihovny pro vytvoření GUI a natrénování modelu pro detekci objektů a jeho následné spuštění na mikrokontroleru i.MX RT. Navrhnout a implementovat aplikaci popsanou v zadání práce. Zhodnotit finální aplikaci, diskutovat možnosti budoucího vývoje. _____________________________ Object Detection on the i.MX RT Microcontroller   Machine learning is being applied in various areas, including industrial applications, factories and assembly plants. One such use-case is utilizing object detection for locating objects and their subsequent manipulation by a robotic arm. For several reasons, like security and latency concerns, various technologies enabling the computation of neural networks at the edge are being developed. Such approach provides the means to run machine learning models locally on less powerful devices built, for example, with microcontrollers, instead of needing to do so on a powerful machine in the Cloud. Create an application using a neural network on the i.MX RT microcontroller. This application should be able to detect the coordinates of objects of a user-specified color and shape within an area seen through a camera. Additionally, create a simple GUI application running on a PC, which will give a user the option to choose from a list of colors and shapes. This PC application should then relay the choice to the i.MX RT and finally display the detection results.   The goals of the thesis: Study the basics of neural networks. Describe how neural networks can be run on embedded devices. Find out the limitations that result from using them on microcontrollers and what the pros and cons are  of such an approach. Identify viable tools and libraries that can be used to create the GUI, train the model to detect the objects and run the model on the i.MX RT microcontroller. Design and implement the application described above. Evaluate the final application and propose future development.       Language: CZ Leader: David Piskula

Result: Závěrečná práce: Jakub Cisárik: Katalog SW komponent pro podporu nových čipů (muni.cz) Cílem této bakalářské práce je vytvoření interní webové aplikace pro firmu NXP s názvem Softwarový katalog. Smyslem aplikace je ulehčení tvorby nových SoC. Práce je rozdělena do dvou částí, teoretické a praktické. Teoretická část se věnuje motivací stojící za vytvořením aplikace, analýze podobných aplikací a analýze a návrhu systému. Dále popisuje průběh a způsob implementace a testování. Praktickou částí bakalářské práce je samotná implementace aplikace.

Samuel Mudrik

Tomas Klir

Róbert Kalmár

Marek Trmac

Kuba Cieslar

Petr Hradský

[Title CZ/SK] UX design pre MCUXpresso Configuration Tools     Assignment UX (User experience) design is one of the main deciding factors in the choice of a software application. Analyze UX of MCUXpresso Configuration Tools, specifically its user interface. Suggest specific user interface improvements. Create examples of suggested improvements. Compare the examples with the current solution. Test the examples with the help of app users.   Assignment CZ/SK UX design aplikácie je jedným z kľúčových faktorov na základe ktorých sa užívateľ rozhoduje o používaní aplikácie. Analyzujte UX aplikácie MCUXpresso Configuration Tools so zameraním na GUI. Navrhnite konkrétne vylepšenia pre prácu s aplikáciou. Vytvorte ukážky navrhnutých vylepšení. Tieto ukážky porovnajte s existujúcim riešením. Vytvorené ukážky otestujte na užívateloch aplikácie.   Language CZ/SK/EN   Leaders David Danaj   Contact University team NXP Semiconductors CZ  Apply by email 

Assignment Quantization reduces computation costs of neural networks by shrinking model size and improving accelerator latency with only small degradation of model accuracy. To keep the precision the highest possible, often quantization-aware training is necessary. First, the model is trained with floating point weight and bias values, then fake quantization nodes are applied to the model graph to simulate quantization and to adjust the values. Find a method how to re-train existing floating point TensorFlow models using the final quantization phase. Apply the steps on the PoseNet model to achieve an 8-bit quantized network. Compare the accuracy of the quantized model with the original floating point model and with the accuracy of models quantized using the simpler post-training method.   Assignment CZ/SK Kvantizace snižuje náročnost výpočtu neurónových sítí zmenšením jejich velikosti a zvýšením možností akcelerace s jenom malým ůbytkem přesnosti modelu. Pro zachování co nejvyšší přesnosti je často zapotřebí trénování s kvantizací. Nejdříve se natrénuje model s hodnotami vah a prahů s pohyblivou desetinnou čárkou, následně se aplikují uzly grafu modelu pro simulaci kvantizace na přizpůsobení hodnot. Najděte spůsob jak přetrénovat existujíci TensorFlow modely s hodnotami s pohyblivou desetinnou čárkou za použití finální fáze trénování s kvantizací. Aplikujte kroky na PoseNet model pro dosáhnutí 8-bitově kvantizované sítě. Srovnejte přesnost výsledného kvantizovaného modelu s originálem a s přesností modelů kvatizovaných pomocí jednodušší metody kvantizace po tréninku.   Language CZ/SK/EN   Leaders LadislavVadkerti‌   Contact University team NXP Semiconductors CZ  Apply by email