Zadání bylo vytvořeno ve spolupráci s firmou NXP. Cílem bylo vytvoření konvertoru modelů strojového učení pro účely nasazení na specializovaném hardwaru. Vzhledem k tomu, že student musel nastudovat různé modely s využitím analýzy implementace nástrojů TFLite a ONNX a následná implementace konvertoru byla poměrně rozsáhlá, považuji zadání za náročnější.

Aktivita byla výborná, pravidelně probíhaly konzultace s odborným konzultantem s firmy, o kterých jsem byl informován a několika z nich jsem se přímo účastnil. Student byl vždy připraven a během konzultací probíhala konstruktivní diskuze.

Student zúčastnil konference Excel@FIT 2023.

Stupeň hodnocení: obtížnější zadání

Zadání považuji za mírně obtížnější z toho důvodu, že dokumentace k jednomu z požadoavných formátů není k dispozici a student tak musel provést zpětnou analýzu některých kódů. 

Stupeň hodnocení: je v obvyklém rozmezí

Z formálního hlediska mám výtky k tomu, že v textu se řeší a odkazuje adresářová struktura projektu, která podle mého názoru by měla být uvedena v přílohách. Ukázky kódů zabírajících v jednom případě i celou stranu nejsou pro čtenáře příliš užitečné a zhoršují formální úpravu textu. Po jazykové stánce je text psán správně, až na to, co jsem zmíníl v předchozím bodě, a některé věty jsou stylově volnější, než se předpokládá u bakalářských prací.

Systém je v pořádku a překlady podmnožiny modelů popsatelných ve formátu ONNX lze převádět do formátu TensorFlow Litte. Výsledky ukazují, že tento převod má smysl a v cílovém formátu umožňuje zrychlit vybavování modelu a zmenšit jeho velikost při zachování přesnosti.