Graphcore IPU üzerinde grafik sinir ağları ile çoklu nesne takibini optimize etme

Bu tez, Çoklu Nesne Takibi'nin verimliliğini Grafiksel Sinir Ağları kullanarak, özellikle Graphcore'un IPU'sunun yeteneklerinden yararlanarak artırmaya odaklanan kapsamlı bir çalışmayı sunmaktadır. Otonom sürüş, robotik ve gözetleme gibi gerçek zamanlı uygulamalar alanında, Grafiksel Sinir Ağları'nın nesneler arasındaki karmaşık etkileşimleri etkili bir şekilde modelleme yeteneği önem taşımaktadır. Ancak özellikle mesaj iletim operasyonlarında, Grafiksel Sinir Ağları'nın hesaplama yükü, önemli performans darboğazlarına yol açmaktadır. Başlangıçta, PyTorch ile geliştirilmiş mevcut bir Çoklu Nesne Takibi modelini TensorFlow'a uyarlamak ve IPU üzerinde çalıştırmak için yapılması gereken özelleştirmeler incelenmektedir. Ardından, model her iki platformda çalıştırılarak IPU ve GPU arasında karşılaştırmalı bir analiz yapılmıştır. Bu aşama, ortalama eğitim ve tahminleme süresi gibi metrikler kullanılarak bu iki mimari üzerinde modelin temel performansını değerlendirmeye odaklanmıştır. Bu aşamada elde edilen bulgular, her iki platformun model eğitimi için güçlü yönlerini ve sınırlamalarını anlamamızı sağlamıştır. Sonrasında, çalışma, Grafiksel Sinir Ağları'nın verimliliği için hayati öneme sahip olan mesaj iletim operasyonlarını geliştirerek, IPU'ya özgü optimizasyonların uygulanmasına ilerlemiştir. Bu amaç doğrultusunda IPU tabanlı optimizasyonların etkileri, IPU'ya özgü yapılandırmalarla birlikte değerlendirilmiştir.