Düşük Kaynaklı Cihazlar İçin Optimize Edilmiş BlazePose-Lite Modeline Dayalı Gerçek Zamanlı Poz Tahmin Sistemi

0 1

Özet

Bu çalışmada, BlazePose-Lite modeline dayalı ve akıllı telefonlar, Raspberry Pi kartları ile giriş seviyesi dizüstü bilgisayarlar gibi sınırlı hesaplama kaynaklarına sahip cihazlar için özel olarak uyarlanmış, gerçek zamanlı optimize edilmiş bir poz tahmin sistemi önerilmektedir. Çalışmanın güncelliği; fitness uygulamaları, rehabilitasyon sistemleri, mobil sağlık izleme ve gömülü yapay zekâ çözümleri gibi alanlarda gerçek zamanlı insan pozu belirleme sistemlerine duyulan ihtiyacın artması ve bu senaryolarda hesaplama kapasitesinin çoğu zaman sınırlı olmasından kaynaklanmaktadır. Araştırmanın temel amacı, poz tahmin doğruluğunu korurken BlazePose-Lite modelinin çıkarım (inference) hızını artırmaktır.

Metodoloji, çok aşamalı bir optimizasyon sürecini kapsamaktadır: FP16 ve INT8 kuantizasyonu kullanılarak TensorFlow Lite’a dönüştürme, modelin yapısal budanması (pruning), operatör birleştirme yoluyla hesaplama grafiğinin sadeleştirilmesi ve ayrıca üstel hareketli ortalama (EMA) ile Kalman filtresi kullanılarak zamansal yumuşatma uygulanması. Optimize edilmiş model, düşük kaynaklı birden fazla cihaz üzerinde test edilmiştir. Performans; FPS, gecikme (latency), CPU kullanımı, RAM tüketimi ve anahtar nokta doğruluk ölçütleri (PCK ve RMSE) üzerinden değerlendirilmiştir.

Deneysel sonuçlar, BlazePose-Lite’ın INT8 kuantize edilmiş sürümünün çıkarım hızını 2–3 kat artırdığını; orta seviye akıllı telefonlarda 26–32 FPS ve Raspberry Pi 4 üzerinde 12–16 FPS değerlerine ulaştığını göstermiştir. Bununla birlikte model boyutu %75’e kadar küçülmüştür. Doğruluk kaybı yalnızca %1–3 düzeyinde olup, optimize edilen modeli gerçek uygulamalar için uygun hâle getirmektedir. Çalışmanın pratik önemi; IoT tabanlı fitness cihazları, mobil koçluk uygulamaları ve akıllı sağlık platformlarına entegre edilebilecek güvenilir, verimli ve uygulanabilir insan pozu izleme sistemlerinin geliştirilmesini mümkün kılmasıdır.