PARALELISMO USANDO GPU'S E RECONHECIMENTO DE PADRÕES.

Resumo

A unidade de processamento gráfico, também chamada de GPU é também um processador programável altamente paralelo, com largura de banda aritmética e de memória de pico que supera muito a capacidade de sua CPU. Neste projeto foram realizados três trabalhos com a finalidade de testar o desempenho dos mesmos na GPU. O primeiro foi uma aplicação cuja finalidade era criar mapas 3D através de conteúdo procedural e autômatos celulares. Para este trabalho foi utilizado ferramentas como system-L e uma abordagem de pixels em voxels que permitiam criar conteúdo em diversas formas. Na segunda aplicação foi abordada a classificação de imagens por meio do algoritmo de Aprendizagem Profunda usando a GPU através das bibliotecas de Python, Tensorflow e Keras na predição de imagens de frutas e animais, por exemplo. O terceiro projeto testou aplicações para reconhecimento facial de pessoas (via webcam), objetos e animais em imagens e vídeos. Neste trabalho foi utilizado uma rede neural usando Aprendizagem Profunda com o uso de computação paralela utilizando GPU e para o reconhecimento foram utilizados a biblioteca OpenCV, o CUDA da NVIDIA e a CUDNN que é a biblioteca Deep Neural Network da NVIDIA. O principal objetivo do presente projeto composto pelos três trabalhos citados foi estudar três aplicações de reconhecimento de padrões e testar e comparar o desempenho de alguns algoritmos existentes usando o paralelismo da GPU. No primeiro trabalho foi observado uma grande diferença no tempo de execução do programa, variando o tamanho dos mapas. Usando somente CPU os mapas acima de 200 pixels nas duas dimensões não foram gerados, enquanto na GPU, levavam um tempo bem pequeno. Na segunda aplicação o resultado demonstrou uma diminuição no tempo de análise de imagens por meio da GPU em relação a CPU. Na terceira aplicação, os resultados mostraram que o uso da GPU acelerou consideravelmente a taxa de quadros por segundo no reconhecimento em vídeos e na webcam, usando as dimensões de 250 x 250.