Kirish: Axborot tеxnologiyalarning kеng darajada kirib kеlishi fuqarolarga axborot olishga bo‘lgan imkoniyatlar eshigini ochib bеrdi. Mazkur o‘zgarishlar birinchi navbatda, yangi axborot kommunikatsiya tеxnologiyalari ta’siri ostida yuz bеrib, inson faoliyatining har bir sohasida axborotga bo‘lgan ehtiyojning ortishi bilan tavsiflanadi. Bugungi kunda mutaxassislar axborot tеxnologiyasining asosiy bеlgisi sifatida ma’lumotni qayta ishlash jarayonining muayyan bosqichlarga bo‘linishini e’tirof etadilar. Bu esa, o‘z navbatida, ushbu jarayonning batamom tartibga solinishi va uni avtomatlashtirilgan holga o‘tkazilishi uchun yangi imkoniyat yaratib bеrdi.
Mavzuning dolzarbligi:Axborot texnologiyalaring oxirgi o‘n yillik rivojlanish davrida real vaqt tizimlarida tasvirlarga raqamli ishlov berish jarayonlarida ham sezilar darajada ta’sir ko‘rsatti. Ayniqsa, tasvirlardagi obyektlarni aniqlashda mashinali o’qitish jarayonlari bilan bog‘liq amallaridagi muammolarni bartaraf etishning dasturiy hamda texnik vositalarga bo‘lgan ehtiyoj yanada kuchaydi. Ayniqsa tasvir ma’lumotlarini raqamli qayta ishlaganimizda katta xajmdagi ma’lumotlar oqimiga duch kelamiz va xotiraga murojaat qilish buyruqlari ko‘payib, qayta ishlash vaqtining chiziqsiz oshib borishiga sabab bo‘ladi.
Tasvirlarga raqamli ishlov berish tasvir yorqinligi piksellar qiymatlariga bog‘liq bo‘lib, piksel qiymati qancha yuqori bo‘lsa, tasvir yorqinligi piksel qiymatiga mos tarzda yuqori bo‘ladi. Tasvir yorqinligi tekis bo‘lmasa, piksellar taqsimoti gistrogrammasi tahlil qilinadi va tekis taqsimotga keltiriladi.
Darknet C va CUDA tillarida yozilgan ochiq manbali neyron tarmoq ramkasidir. Bu tez, o'rnatish oson va CPU va GPU hisoblashni qo'llab-quvvatlaydi.
Mashinada o'qitish ma'lumotlarning naqshlarini avtomatik ravishda aniqlab oladigan va keyinchalik kelgusi ma'lumotlarni taxmin qilish uchun yopiq naqshlardan foydalanadigan rivojlanayotgan usullarni taqdim etadi.
Mashinali o'qitishning iterativ tomoni muhim ahamiyatga ega, chunki modellar yangi ma'lumotlarga duch kelganda, ular mustaqil ravishda moslasha oladilar. Ammo ko'pgina mashinali o'qitish algoritmlari murakkab matematik hisob-kitoblar asosida avtomatik ravishda katta ma'lumotlarga raqamli ishlov berish jarayonlari ko'p vaqt va hisoblash resursini talab qiladi. Misol sifatida mashinali o'qitish sohasining asosiy bosqichlaridan – sun'iy neyron tarmoqlarni “o'quv tanlanma” ma'lumotlari asosida o'qitish (1-rasm). Bu esa tezkorlik va unumdorlik masalalarini yechishning samarali usullarini ishlab chiqish kabi vazifalarni qo'yadi.
Interpretatsiya(lotincha: vositachilik) — algoritmik tillarda yozilgan dasturlarni mashina tiliga tarjima qilish usuldarilan biri.
OpenMP texnologiyasi umumiy xotirali arxitekturali hisoblash tizimlarida o'z dasturlarini parallellashtirishni istagan ishlab chiquvchilar uchun juda mos keladi. CPUda mashinali o'qitish jarayonlarini amalga oshirishda hisoblash vaqtini qisqartirish uchun OpenMPdan foydalanish mumkin.
Ushbu vazifa uchun biz ko'p yadroli protsessorlarda real vaqt rejimida obyektlarni aniqlash algoritmlarida OpenMP texnologiyasini joriy qilish bo'yicha ishimiz uchun "Darknet: C da ya’ni, ochiq manbali neyron tarmoqlar" dan foydalandik.
Ob'ektni aniqlash kuzatuv vazifasida juda muhim rol o'ynaydi. Ob'ektni aniqlash algoritmi sifatida Yolov3 tanlangan, u C tilida ochiq manbali neyron tarmoqlarda ishlaydi.
Xulosa. Mashinali o'qitish algoritmlari murakkab matematik hisob-kitoblar asosida avtomatik ravishda katta ma'lumotlarga raqamli ishlov berish tezkorligini oshirish uchun yordamchi instrumental vositalar sifatida OpenMP, CUDA va OpenCL kabi texnologiyalardan foydalanish samarali natija beradi.
Ushbu dissertatsiya ishining asosida ko‘p yadroli protsessorlarda real vaqt rejimida obyektlarni aniqlash algoritmlarida OpenMP texnologiyasini joriy qildik.
Ushbu amaliy ishlar davomida natijalar shuni ko'rsatadiki, OpenMP texnologiyasidan foydalanish GPU mavjud bo'lmaganda ko'p yadroli protsessorlarda real vaqt rejimida ob'ektni aniqlash uchun ishlov berish tezligini sezilarli darajada yaxshilaydi.
Yuqoridagi ishlardan umumiy shunday xulosaga kelish mumkinki, hisoblash resurslari cheklangan mashinada tezlashtirish muammolarini parallel ishlov berish vositalari yordamida hal qilish mumkin.
