ITPE * JackerLab

개요NetAdapt(넷어댑트)는 주어진 하드웨어 성능 제약(예: 연산량, 지연시간, 메모리 크기)에 맞춰 자동으로 최적의 딥러닝 모델 구조를 찾아주는 경량화 알고리즘입니다. 기존의 고정된 네트워크 구조를 사용하는 것이 아니라, 성능 손실을 최소화하면서 하드웨어 자원에 최적화된 경량 모델을 자동 탐색하여, 실제 환경에서 추론 효율을 극대화하는 것이 핵심입니다.1. 개념 및 정의 항목 설명 정의실제 하드웨어 측정 기반으로 딥러닝 모델을 자동 경량화하여 추론 효율을 최적화하는 알고리즘개발 배경수동 튜닝의 한계, 연산량 기반 최적화의 실제 성능 불일치 문제를 해결하기 위해 등장적용 분야스마트폰, IoT, 드론, 자율주행, 로봇 등의 엣지 환경 AI 모델 최적화2. 작동 방식단계설명1. 성능 측정원본 모델을 다..

개요MobileNet은 모바일, IoT, 임베디드 디바이스처럼 연산 및 메모리 자원이 제한된 환경에서 실시간 딥러닝 추론이 가능하도록 설계된 경량 합성곱 신경망(CNN) 구조입니다. Google이 2017년 발표한 MobileNet은 경량성과 정확도 사이의 균형을 맞추기 위해 깊이별 분리 합성곱(Depthwise Separable Convolution)이라는 혁신적인 구조를 도입했으며, 이후 다양한 변형(MobileNetV2, V3 등)을 통해 성능이 지속적으로 개선되고 있습니다.1. 개념 및 정의 항목 설명 정의경량 CNN 모델로, 연산량과 파라미터 수를 줄이기 위한 Depthwise Separable Convolution 기반 구조목적모바일·에지 디바이스에서 효율적이고 빠른 추론이 가능하도록 최적화..

개요SqueezeNet은 딥러닝 모델의 크기(파라미터 수)를 극도로 줄이면서도 AlexNet 수준의 정확도를 유지하는 것을 목표로 개발된 초경량 합성곱 신경망(CNN) 구조입니다. 2016년 Forrest N. Iandola 등 UC Berkeley 팀이 제안했으며, 경량 딥러닝 분야에서 대표적인 연구 결과로 인정받고 있습니다. 특히 모바일, 임베디드, IoT 장비와 같이 메모리·계산 자원이 제한된 환경에서 강력한 이미지 인식 성능을 제공하는 것이 특징입니다.1. 개념 및 정의 항목 설명 정의파라미터 수를 50배 이상 줄이면서도 AlexNet 수준의 정확도를 유지하는 초경량 CNN 모델모델 크기약 4.8MB (AlexNet: 약 240MB)주요 특징파라미터 절감, 연산 효율화, 경량화에 최적화된 아키텍..

개요경량 딥러닝 기술(Lightweight Deep Learning)은 인공지능(AI) 모델의 크기, 계산량, 전력 소비를 최소화하여 모바일, IoT, 임베디드, 에지 디바이스 등 성능 제약이 있는 환경에서도 딥러닝을 실행할 수 있도록 최적화하는 기술입니다. AI의 클라우드 중심 구조에서 벗어나 디바이스 자체에서의 추론이 가능해짐으로써 지연 최소화, 네트워크 의존도 감소, 개인정보 보호 등 다양한 이점을 제공합니다.1. 개념 및 정의 항목 설명 정의기존의 대형 AI 모델을 크기, 속도, 연산 효율 면에서 최적화하여 저사양 환경에서도 동작하도록 경량화한 기술적용 환경모바일 앱, IoT 기기, CCTV, 드론, 웨어러블, 자동차 등목적AI의 온디바이스(On-Device) 실행을 가능하게 하여 실시간 처리와..