INTRODUÇÃO: A utilização de modelos de aprendizado profundo, vem contribuindo para soluções de detecção de objetos, como o caso de pessoas. Porém em sua maioria os modelos necessitam de alto poder computacional para treinamento e execução. Em aplicações que necessitam velocidade de processamento, a otimização das arquiteturas para detecção e a seleção adequada do hardware seguindo as restrições dos projetos estão sempre em evidência. – OBJETIVOS: Neste contexto, este trabalho tem como objetivo avaliar métodos de implementação de modelos de aprendizado profundo em sistemas embarcados de baixo custo. – MATERIAIS E MÉTODO: Para o modelo, utilizou-se os resultados do trabalho de iniciação científica anterior (2020-2021), incorporando-o em uma arquitetura centralizada como serviço. Desta forma hardwares de baixo custo, podem utilizar o recurso por meio de comunicação WEB, via protocolo HTTP. Para análise de desempenho, utilizou-se indicadores como taxa de frames por segundo, tempo de inferência e carga de processamento do serviço. A ideia central é poder desenvolver um sistema que já viável para a análise biomecânica de nadadores. – RESULTADOS: Para que isso ocorra, o sistema deve ser rápido o suficiente em seu processamento. O recurso foi submetido a diferentes cenários, com apenas um consumidor e com consumidores concorrentes para avaliar o impacto de múltiplas conexões no serviço. Para o teste de cliente único, observou-se uma taxa média de 8 FPS e oscilações do tempo de resposta durante utilização. Já quando inicializamos dez clientes sintéticos concorrentes, obteve-se uma queda de 50% na taxa média de FPS dos consumidores e um aumento no tempo máximo de resposta. – CONSIDERAÇÕES FINAIS: Apesar da queda da taxa de FPS quando aplicado a múltiplos concorrentes, os resultados são promissores para utilização do modelo como um serviço central, atendendo a múltiplos clientes em localizações diferentes.
