임베디드 기기를 위한 레이어별 정보 기반의 정확성 대비 에너지와 추론 시간 최적 딥러닝 모델 생성 연구
- 주제(키워드) 임베디드 시스템 , 머신러닝 , 최적화 , TinyML
- 주제(DDC) 621.381
- 발행기관 아주대학교 일반대학원
- 지도교수 김영진
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000035392
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 논문은 TinyML 환경에서 딥러닝 모델을 실질적으로 활용하기 위한 핵심 요소로 저전력 특성에 주목하고, 기존의 메모리 중심 경량화 연구를 확장한 전 력·에너지 기반의 모델 설계 및 평가 방법론을 제안한다. 이를 위해 MCU 기 반 임베디드 환경에서 딥러닝 모델의 런타임 전력 소비를 정량적으로 계측할 수 있는 전력 측정 시스템을 구축하고, 추론 과정 및 레이어 단위의 전력, 수행 시간, 에너지 소비 특성을 분석하였다. 실험 결과, 레이어 유형에 따라 전력 소 비 특성이 상이하며, 특히 Convolution 레이어가 전체 에너지 소비에 가장 큰 영향을 미침을 확인하였다. 이러한 분석을 바탕으로 Depth Reduction 기반의 경량화 모델 자동 생성 파이프라인을 설계하고, 레이어 비율을 조정하는 RDR 방식과 레이어 배치를 변화시키는 LDR 방식에 대해 전력 및 성능 특성을 비교 분석하였다. 또한 정 확도, 추론 시간, 에너지 소비, Convolution 레이어의 전력 기여도를 종합적으 로 고려한 저전력 평가지표(LPM)를 제안하여, TinyML 환경에 적합한 모델을 체계적으로 평가할 수 있는 기준을 제시하였다. 제안한 방법론은 CNN 기반 이 미지 분류 모델뿐만 아니라 U-Net 기반 이미지 분할 모델에도 적용되어, 모 델 크기 감소와 함께 추론 시간 및 에너지 소비 절감 효과를 확인하였다. 본 연구는 TinyML 환경에서 에너지 효율을 고려한 딥러닝 모델 설계 및 배포를 위한 실질적인 기준을 제시한다는 점에서 의의를 가진다.
more목차
1. 서론 1
2. 배경 및 관련 연구 3
2.1. 배경 3
2.2. 관련 연구 4
3. 연구 동기 및 기여 6
3.1. 연구 동기 6
3.2. 연구 기여점 7
4. 연구 내용 8
4.1. 전력 측정 시스템 구성 8
4.1.1. 시스템 구성 요소 및 측정 도구 설명 9
4.1.2. 전력 측정 시스템 구성도 10
4.1.3. LabVIEW 환경 동작 과정 12
4.1.4. Arduino 환경 동작 과정 13
4.1.5. 데이터 후처리 과정 15
4.2. 레이어별 평균 전력 데이터 추출 16
4.3. 이미지 분류 모델 자동 생성 프로세스 17
4.3.1. 이미지 분류 모델 파이프라인 18
4.3.2. 레이어 구성 시퀀스를 통한 자동 빌드 프로그램 19
4.3.3. 모델 훈련 및 데이터 처리 20
4.3.4. 이미지 분할 모델 전력 측정 21
4.4. 제안하는 저전력 평가지표(LPM) 23
5. 실험 결과 26
5.1. 실험 환경 26
5.2. 실험 데이터 분석 29
6. 결론 37
참고 문헌 38
