Frameworks di elaborazione di immagini utilizzando l'apprendimento profondo

Abstract

Questa tesi si concentra sullo sviluppo di un framework completo per l'apprendimento profondo, creato appositamente per un'applicazione industriale. L'obiettivo è quello di creare un sistema versatile che consenta di implementare, addestrare e inferenziare in modo efficiente i modelli di deep learning. In generale, i framework open-source di deep learning pre-addestrati disponibili online si rivolgono principalmente a compiti macroscopici, come la segmentazione delle immagini, la classificazione delle immagini e il rilevamento degli oggetti. Tuttavia, quando si affrontano compiti più sfumati e specializzati, diventa necessario intraprendere un viaggio di implementazione su misura, realizzando con cura l'architettura del modello per soddisfare i requisiti specifici. Inoltre, la fase di addestramento del processo di deep learning richiede un'attenzione meticolosa, poiché spesso comporta la messa a punto di vari iperparametri e la configurazione di opzioni specifiche per ottimizzare le prestazioni del modello per il compito dato. La decisione del framework può dipendere da molti aspetti. Può dipendere dalla disponibilità di hardware, dalla familiarità con il software utilizzato e dal livello di efficienza che si vuole ottenere in termini di velocità e utilizzo della memoria. Questa tesi si addentra nell'intricato percorso del framework, a partire dalla nascita e dallo sviluppo della rete neurale. Il framework procede attraverso le fasi di addestramento, culminando nell'inferenza basata sulla macchina, adattandosi abilmente a diverse interfacce a livello di software e hardware. Un elemento cardine che consente questa adattabilità senza soluzione di continuità è il file ONNX, che funge da componente fondamentale che facilita la connessione e l'interfaccia tra vari framework di apprendimento automatico. L'integrazione del file ONNX apre un mondo di possibilità, superando i limiti dei singoli framework e favorendo una collaborazione armoniosa.

This thesis focuses on the development of a comprehensive deep learn- ing framework tailored specifically for an industrial application. The objective is to create a versatile system that enables efficient imple- mentation, training, and inference of deep learning models. In general, open-source pre-trained deep learning frameworks available online pri- marily cater to macroscopic tasks, such as image segmentation, image classification, and object detection. However, when tackling more nuanced and specialized tasks, it becomes necessary to embark on a journey of tailored implementation, carefully crafting the model ar- chitecture to suit the specific requirements at hand. Moreover, the training phase of the deep learning process demands meticulous at- tention, as it often entails fine-tuning various hyper-parameters and configuring specific options to optimize the model’s performance for the given task. The decision of the framework may depend on many aspects. It may depend on the availability of hardware, the familiarity with the soft- ware you use, and the level of efficiency you want to have in terms of speed and memory usage. This thesis delves into the intricate journey of the framework, com- mencing with the inception and development of the neural network. It progresses through the stages of training, culminating in machine- based inference, while skillfully adapting to diverse interfaces at the software and hardware levels. A pivotal element enabling this seam- less adaptability is the ONNX file, serving as a fundamental com- ponent that facilitates the connection and interface between various Machine Learning frameworks. The integration of the ONNX file un- locks a world of possibilities, transcending the limitations of individual frameworks and fostering harmonious collaboration.