《Applied System Innovation》:Machine Learning Operations on ZYNQ FPGA Board for Real-Time Face Recognition
Bouchra Kouach,
Mohcin Mekhfioui and
Rachid El Gouri
编辑推荐:
如今,MLOps方法因其能够将DevOps最佳实践应用于机器学习模型而日益流行。它们能够在各种环境中实现模型训练、部署和监控的自动化与优化,同时确保有效的持续集成/持续部署(CI/CD)。这些方法从而促进了能够快速响应并持续改进的实时应用。本文研究了在嵌入式系
如今,MLOps方法因其能够将DevOps最佳实践应用于机器学习模型而日益流行。它们能够在各种环境中实现模型训练、部署和监控的自动化与优化,同时确保有效的持续集成/持续部署(CI/CD)。这些方法从而促进了能够快速响应并持续改进的实时应用。本文研究了在嵌入式系统(特别是Zynq-7000 FPGA板)上实施MLOps实践的可行性。研究人员提出了一种完整的MLOps架构,该架构能够在嵌入式硬件平台上自动部署和监控用于数据中心物理访问控制场景的人脸识别卷积神经网络(CNN)模型。该架构集成了GitLab CI/CD用于版本控制和流水线自动化,MLflow用于实验跟踪和模型生命周期管理,Prometheus和Grafana用于监控,以及连接到数据集版本控制工具DVC的S3存储桶云存储。结果表明,所提出的流水线可以有效地部署在Zynq-7000 FPGA板上,实现自动化的模型重训练、重新部署和性能监控。这种方法降低了操作复杂性,并支持对数据集变更的更快适应。
**论文解读文章**
**研究背景与问题**
数据中心物理安全是确保关键基础设施可用性和保护的重要挑战。传统访问控制方法(如RFID卡)虽然部署便捷,但存在卡片复制、克隆或重放攻击的风险。为提升安全性,研究人员提出基于卷积神经网络(CNN)的人脸识别方案,但传统模型部署流程高度依赖人工,版本管理、持续训练和监控存在困难。MLOps(机器学习运维)将DevOps最佳实践引入机器学习生命周期,可自动化模型训练、部署与监控,但现有研究多集中于云端或GPU服务器,极少探索其在ZYNQ-7000 FPGA等嵌入式硬件平台上的实现。FPGA(现场可编程门阵列)凭借低延迟、高能效和并行处理能力,在工业场景中具有独特优势。因此,本研究旨在验证在ZYNQ-7000 FPGA板上部署完整MLOps流水线的可行性,为实时物理安全系统提供自动化、可扩展的解决方案。论文发表在《Applied System Innovation》。
**主要关键技术方法**
研究人员采用以下关键技术构建MLOps流水线:
- **GitLab CI/CD**:实现代码版本控制、流水线自动化及持续集成/持续部署。
- **MLflow**:跟踪CNN模型生命周期,管理实验参数、指标和模型版本。
- **DVC(数据版本控制)**:与Git集成管理数据集版本,确保可重复性。
- **Prometheus与Grafana**:分别用于指标收集和实时可视化监控(系统资源与模型性能)。
- **PetaLinux与QEMU**:PetaLinux用于在ZYNQ-7000上构建嵌入式Linux系统;QEMU提供虚拟测试环境,模拟FPGA硬件。
- **Faster R-CNN模型**:选择该模型因其能同时进行人脸定位与分类,利用区域提议网络(RPN)提升检测精度。数据集来源于Kaggle公开名人面部图像,包含5个类别共400余张图像,按70%/15%/15%分为训练集、验证集和测试集,并通过数据增强(旋转、缩放、翻转等)生成2240张训练图像。
**研究结果**
**4.1 模型性能(Model Performances)**
研究人员使用准确率、精确率、召回率、F1分数、假阳性率(FPR)和假阴性率(FNR)评估模型。在测试集上,模型达到96%的准确率。训练和验证准确率及损失曲线显示模型有效学习并良好泛化。基于一对一(OvR)方法计算每类别指标,结果表明多数类别(如Evans、Hemsworth、Ruffalo)识别无误,仅个别样本(Downey和Johansson各有一个误分类)存在混淆,原因可能为面部特征相似或姿态、光照变化。混淆矩阵显示整体错误率低,暗示系统具有较低的误接受率(FAR)和误拒绝率(FRR)。
**4.2 实施结果(Implementation Results)**
研究人员先在QEMU虚拟环境进行测试验证,随后部署到物理ZYNQ-7000板。结果表明:
- 物理板比QEMU提供更低延迟、更稳定USB摄像头流和更高性能可靠性。
- 对比传统手工流程(需数小时甚至数天),MLOps流水线将数据集变更后模型重训练与重新部署时间缩短至约1小时(见原文表6)。
- GitLab CI/CD流水线成功执行数据清洗、训练、构件构建、测试、部署和监控全过程(见原文图14)。
- Grafana实时监控显示部署模型准确率保持96%,即使数据漂移(data drift)评分达70%时仍触发告警;红色LED指示无权限人员。
- MLflow界面集中展示所有实验运行记录,便于比较并选择最佳模型版本(见原文图16)。
**总结与讨论**
研究人员总结:在ZYNQ FPGA板上实施MLOps为门禁安全系统带来显著优势——FPGA提供低延迟和高能效,MLOps自动化整个模型生命周期,两者结合实现更快、更可靠、可扩展且节能的访问控制方案。研究中使用开源轻量级工具(GitLab CI/CD、MLflow、DVC、Prometheus、Grafana)以及云实例(AWS S3存储、EC2测试环境)。PetaLinux和QEMU包体积较大(>50 GB),通过云端配置解决存储和资源限制。未来工作可扩展该MLOps架构至其他嵌入式平台,并探索集成Terraform或Ansible等工具以自动化管理云基础设施。结论部分强调:本文证明了在ZYNQ FPGA上部署完整MLOps流水线的可行性,为实时边缘AI系统提供了可靠性、可重复性和可维护性的提升。