Um estudo de avaliação da viabilidade energética da tecnologia tinyml em dispositivos embarcados para aplicações de visão computacional no cenário IoT

Abstract

A tecnologia TinyML, na interseção de Aprendizado de Máquina, Sistemas Embarcados e IoT, promete soluções para diversos domínios. No entanto, sua implementação eficaz em dispositivos embarcados requer otimização energética. Pesquisas de campo foram conduzidas, destacando um modelo TinyML de visão computacional em catracas de um Instituto Federal. O dispositivo contabiliza pessoas, monitora bateria e transmite dados em tempo real para a nuvem. Neste estudo, a viabilidade energética de sensores Smart IoT usando TinyML foi avaliada. Resultados destacaram a influência da carga da bateria no consumo e duração da operação. O projeto contou com 3(três) protótipos para o estudo. O primeiro protótipo mostrou desempenho inicial coerente, mas desafios persistentes na eficiência energética. O segundo protótipo, com baterias de lítio em série, evidenciou a influência significativa do módulo de câmera no consumo de energia, destacando a necessidade de ajustes na distribuição da carga. O terceiro e último protótipo, com baterias de lítio em paralelo, revelou insights sobre o comportamento da voltagem em diferentes cenários, destacando a importância da voltagem inicial e o impacto da detecção de pessoas no consumo de energia. A análise detalhada da assertividade do modelo ao longo do tempo fornece insights para possíveis otimizações, destacando a importância de testes em diversos cenários. O projeto demonstra eficácia na detecção de pessoas, destaca a necessidade de aprimoramentos para maior autonomia e eficiência energética em projetos IoT, contrariando a visão otimista na literatura sobre a tecnologia TinyML. Este experimento fornece informações valiosas para a comunidade acadêmica em busca de conhecimento e melhorias.

TinyML technology, at the intersection of Machine Learning, Embedded Systems, and IoT, promises solutions for various domains. However, its effective implementation in embedded devices requires energy optimization. Field research was conducted, focusing on a TinyML computer vision model in turnstiles at a Federal Institute. The device counts people, monitors battery, and transmits real-time data to the cloud. In this study, the energy viability of Smart IoT sensors using TinyML was evaluated. Results highlighted the influence of battery charge on consumption and operational duration. The project involved 3 prototypes for the study. The first prototype showed consistent initial performance but faced persistent challenges in energy efficiency. The second prototype, with series lithium batteries, revealed the significant influence of the camera module on energy consumption, emphasizing the need for adjustments in load distribution. The third and final prototype, with parallel lithium batteries, provided insights into voltage behavior in different scenarios, highlighting the importance of initial voltage and the impact of people detection on energy consumption. Detailed analysis of the model's accuracy over time provides insights for possible optimizations, emphasizing the importance of testing in diverse scenarios. The project demonstrates effectiveness in people detection, underscores the need for enhancements for greater autonomy and energy efficiency in IoT projects, challenging the optimistic view in the literature on TinyML technology. This experiment provides valuable information for the academic community seeking knowledge and improvements.