Coste computacional de una red de aprendizaje profundo basada en EfficientNet sobre dispositivos basados en GPU para computación en el borde

El despliegue de redes de aprendizaje profundo para la teledetección en entornos de computación en el borde sigue siendo un gran reto, ya que estas plataformas operan bajo restricciones de energía y de recursos de cómputo. Este desafío exige aplicar técnicas de optimización de redes y realizar un trabajo especialmente cuidadoso en el caso de redes diseñadas para operar con un coste computacional reducido. El problema se agrava en el caso de redes de tamaño medio, ya que la mayoría de las técnicas de optimización están orientadas a redes de gran escala. En este trabajo se analizan el coste computacional y la eficiencia energética generados por técnicas de optimización aplicadas a la red EffBaGAN, una red de tamaño medio basada en EfficientNet, orientada a la clasificación de imágenes multiespectrales de alta resolución espacial para la cobertura terrestre en escenarios de escasez y desequilibrio de datos. Se evalúa el impacto de la precisión mixta automática (AMP), la cuantización durante y después del entrenamiento (QAT y PTQ, respectivamente) y la poda, tanto de forma aislada como combinada, en una plataforma NVIDIA Jetson AGX Orin. Además, se analiza el rendimiento computacional en función de los límites de potencia del dispositivo. Los resultados revelan que la combinación del entrenamiento sensible a la cuantización (QAT) con la poda representa el enfoque más efectivo para lograr reducciones conjuntas en el tamaño de la red y en el número de parámetros y FLOPs, al mismo tiempo que se mantienen métricas de precisión competitivas.

keywords: clasificación de imágenes, teledetección, computación en el borde, precisión mixta automática, cuantización, poda