รายละเอียดโครงงาน

หลักสูตร/ปี พ.ศ.
วิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2567

ภาคและปีการศึกษาที่สำเร็จการศึกษา
ภาคปลาย ปีการศึกษา 2566

ประเภทโครงงาน
วิทยานิพนธ์

ชื่อโครงงานภาษาไทย
การปรับปรุงประสิทธิภาพโมเดลโมบายเน็ตวีสองสำหรับรูปภาพสามมิติโดยการหาโมเดลอัตโนมัติบนการเทรนแบบกระจาย

ชื่อโครงงานภาษาอังกฤษ
ENHANCING MOBILENETV2 PERFORMANCE FOR 3D FACE RECOGNITION TASK BY AUTOMATIC MODEL FINDING USING DISTRIBUTED TRAINING

ผู้พัฒนา
6514500536 นายกฤษฏิ์ภวิศ สูงสว่าง

อาจารย์ที่ปรึกษาหลัก
จันทนา จันทราพรชัย

อาจารย์ที่ปรึกษาร่วม
ชวณัฐ นาคะสันต์

บทคัดย่อ

ในวิทยานิพนธ์ฉบับนี้ เราได้ทำการศึกษาเกี่ยวกับการพัฒนาศักยภาพงานจดจำ ใบหน้าที่ใช้โมเดล โมบายเน็ตวีสอง โดยการใช้ประโยชน์จากข้อมูลใบหน้า 3 มิติ และการค้นหาโมเคลอัตโนมัติด้วยการขยายชั้น แนวคิดหลักของการค้นหาคือการค้นหาโมเดลที่มีความแม่นยำมากที่สุดบนการขยายชั้นแต่ละตำแหน่ง เพื่อเลือกตำแหน่งการขยายชั้น เป็นฐานสำหรับการขยายชั้นต่อไป การเทรนโมเคลแบบกระจายข้อมูลถูกนำมาใช้เพื่อเร่งเวลา การเทรนโมเคลและเร่งเวลาการค้นหาโมเดลอัต โนมัติ และการกระจายการทำงานโดยการเทรน โมเคลพร้อมกันบนหลายเงื่อนไข เป็นอีกรูปแบบที่ถูกนำมาใช้เพื่อลดเวลาการค้นหาโมเดล อัตโนมัติ ผลการทคลองแสดงว่าโมเดลที่ได้จากการค้นหาโมเดลอัตโนมัติด้วยการขยายชั้นบน การเทรนโมเดลแบบกระจายข้อมูลและการเทรนโมเดลพร้อมกันมีประสิทธิภาพที่ใกล้เคียงกัน โดยมีความแม่นยำที่สูงขึ้นถึง 6% เมื่อเทียบกับ 3D MobileNerV2 และ 8% เมื่อเทียบกับ MobilenetV2 แบบดั้งเดิม โดยการเทรนโมเดลแบบกระจายข้อมูลบน 4 GPUs สามารถลด ระชะเวลาในการเทรนโมเดลได้มากถึง 75% เมื่อเทียบกับการเทรนแบบบตั้งเดิมบน 1 GPU ในทางกลับกันการค้นหาโมเดลอัตโนมัติบนการเทรนโมเดลพร้อมกันใช้เวลาในการค้นหาน้อยกว่าการค้นหาโมเดลอัตโนมัติบนการเทรนแบบกระจาย 1932 นาที

Abstract

In this thesis, we conducted a study on improving the performance of face recognition tasks using MobiletV2 by leveraging 3D facial data and automatic model finding with layer replication. The key concept of the search is to find the best accuracy model at each layer replication and to select a base replication position for the next layer replion. Distributed data parallel was utilized to accelerate both the model training and the automatic model finding process. Additionally, concurrent model training with different conditions was another method employed to distribute workload and reduce the automatic model finding process training time. Our experimental results demonstrated that the model obtained from the automatic model finding with layer replication, trained in distributed data parallel and concurrent training on different conditions, had improved accuracy by up to 6% compared to the 3D MobileNetV2 and 8% compared to the standard MobileNetV2. Training model on distributed data parallel across 4 GPUs can reduce model training time by up to 75% compared to traditional training on a single GPU. Conversely, the automatic model finding on concurrent training took less time, specifically 1932 minutes less, than the distributed training approach.

คำสำคัญ (Keywords)

Deep Learning
Distributed Training
Convolutional Neural Network
Face Recognition
MobileNetV2
Architecture Search
GPU

เว็บไซต์โครงงาน
-

วีดีโอคลิปของโครงงาน
-

ที่เก็บเวอร์ชันซอร์สโค้ด

-


สถานะการนำเข้าข้อมูล

ผู้นำเข้าข้อมูลครั้งแรก
นายกฤษฏิ์ภวิศ สูงสว่าง (g6514500536)

แก้ไขครั้งสุดท้าย
เมื่อ Sept. 21, 2024, 11:42 a.m. โดย นายกฤษฏิ์ภวิศ สูงสว่าง (g6514500536)

สถานะการอนุมัติ
รออนุมัติ