Intervencion_4_Replica_2.html · Visión por Computador S4

Esto lo escribí en el foro de la asignatura. Lo dejo tal como se veía en el aula, por eso el fondo claro.

Réplica a la participación de William Andres Perdomo Pichina (Grupo 4) - Semana 4

Autor: Alexander Oviedo Fadul | Grupo 10

¡Excelente aporte, William!

Es un gusto saludarte y felicitarte por el extraordinario nivel técnico y práctico de tu participación en representación del **Grupo 4**. Relacionar los fundamentos de hardware de Ballard (2018) con un escenario real y de gran impacto social como **Smart TKD Analytics** para el análisis biomecánico deportivo en Ibagué es sumamente valioso.

Tu enfoque sobre la latencia en tiempo real es sumamente acertado: para que la detección de técnicas de Taekwondo durante el entrenamiento sea pedagógicamente útil, la inferencia debe ejecutarse en menos de $100\text{ ms}$. En este escenario de baja latencia, el procesamiento masivo en paralelo de la GPU se vuelve indispensable para entrenar la red convolucional convolutiva, pero el verdadero desafío surge en la etapa de despliegue en campo (el dojang).

Optimización en el Edge, Cuantización y Limitaciones Físicas
Como bien anotas en tu tabla comparativa, las restricciones del entorno local nos obligan a buscar alternativas sostenibles basadas en Edge computing. En lugar de procesar flujos de video HD en servidores costosos, el co-diseño software-hardware nos permite entrenar el modelo en la nube (ej. Google Colab Pro) y desplegar únicamente los pesos entrenados ($W$) en hardware local de bajo costo utilizando técnicas de optimización.

Para complementar tu propuesta del uso de **TensorFlow Lite** en tablets o celulares en el dojang, sugiero integrar dos estrategias críticas de eficiencia de memoria que discutimos en clase:

Quantization (Cuantización): Convertir los pesos del modelo de punto flotante de 32 bits (FP32) a enteros de 8 bits (INT8). Esto reduce el tamaño de almacenamiento del archivo del modelo a la cuarta parte y acelera drásticamente la inferencia en la CPU de dispositivos móviles sin una pérdida significativa de la exactitud de reconocimiento de las técnicas deportivas.
Model Pruning (Poda neuronal): Eliminar conexiones neuronales redundantes cuyos pesos sean cercanos a cero, aligerando el consumo de memoria RAM general durante la ejecución.
Aceleradores en el Edge: Considerar el uso a futuro de pequeños aceleradores locales de bajo consumo y costo accesible (como la NVIDIA Jetson Nano o el Intel Neural Compute Stick), los cuales poseen transistores y núcleos especializados para ejecutar inferencia neuronal en paralelo en el mismo lugar de entrenamiento físico.

En conclusión, coincido plenamente contigo en que la viabilidad de un proyecto de visión artificial en contextos reales no depende únicamente de adquirir el hardware más costoso, sino de un aprovechamiento inteligente de los recursos disponibles. ¡Mucho éxito con Smart TKD Analytics!