Análisis Comparativo del Rendimiento de Inferencia de MobileNetV2 en CPU, GPU y TPU para la Clasificación de Objetos Agrícolas en Sistemas Embebidos
Palabras clave:
Agricultura de Precisión, MobileNetV2, TPU, GPU, CPU, Sistemas EmbebidosResumen
El avance de la agricultura inteligente requiere soluciones de visión por computadora eficientes que operen en dispositivos de bajo costo y consumo energético. Este artículo presenta un análisis comparativo del rendimiento de inferencia de MobileNetV2 en diferentes arquitecturas de hardware: una CPU de escritorio (Ryzen 5 5600G), una GPU (NVIDIA GTX 1070) y un sistema embebido con TPU (Google Coral Dev Board). El estudio evaluó el tiempo de inferencia y los cuadros por segundo (FPS) en modos por lotes y en línea. Los experimentos se realizaron con bases de datos de insectos agrícolas, como la mosquita blanca.
Los resultados muestran que la GPU es la más rápida en inferencia por lotes, alcanzando hasta 683 FPS con 97.93% de precisión. En contraste, la TPU Coral es más eficiente en la inferencia en línea, logrando hasta 348 FPS con 91.76% de precisión. La CPU presenta un rendimiento intermedio y menor eficiencia energética. Estos hallazgos confirman la viabilidad de MobileNetV2 para aplicaciones agrícolas en dispositivos embebidos y demuestran que la elección del hardware depende de la aplicación: la GPU es ideal para el procesamiento masivo, mientras que la TPU es óptima para aplicaciones en tiempo real en el campo.
Descargas
Referencias
Y. Li, G. N. Mbata, S. Punnuri, A. M. Simmons, and D. I. Shapiro-Ilan, “Bemisia tabaci on Vegetables in the southern United States: Incidence, impact, and management,” Insects, vol. 12, no. 3, pp. 1–29, Mar. 2021, doi: 10.3390/insects12030198.
C. Lykas and I. Vagelas, “Innovations in Agriculture for Sustainable Agro-Systems,” Sep. 01, 2023, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/agronomy13092309.
J. Sharma et al., “Deep learning based ensemble model for accurate tomato leaf disease classification by leveraging ResNet50 and MobileNetV2 architectures,” Sci. Rep., vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-98015-x.
M. Pintus, F. Colucci, and F. Maggio, “Emerging Developments in Real-Time Edge AIoT for Agricultural Image Classification,” Mar. 01, 2025, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/iot6010013.
A. Morchid, R. Jebabra, H. M. Khalid, R. El Alami, H. Qjidaa, and M. Ouazzani Jamil, “IoT-based smart irrigation management system to enhance agricultural water security using embedded systems, telemetry data, and cloud computing,” Results in Engineering, vol. 23, Sep. 2024, doi: 10.1016/j.rineng.2024.102829.
R. Tobiasz, G. Wilczynski, P. Graszka, N. Czechowski, and S. Luczak, “Edge Devices Inference Performance Comparison,” Journal of Computing Science and Engineering, vol. 17, no. 2, pp. 51–59, 2023, doi: 10.5626/JCSE.2023.17.2.51.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 4510–4520. doi: 10.1109/CVPR.2018.00474.
T. Njoroge, R. Kibuku, and K. Mugoye, “Comparative and edge-hybrid modeling of EfficientNetV2 and MobileNetV2 for multi-classcrop disease classification with statistical validation,” Journal of Edge Computing, vol. 4, pp. 234–262, Nov. 2025, doi: 10.55056/jec.905.
U. J. L. dos Santos, G. Pessin, C. A. da Costa, and R. da Rosa Righi, “AgriPrediction: A proactive internet of things model to anticipate problems and improve production in agricultural crops,” Comput. Electron. Agric., vol. 161, pp. 202–213, Jun. 2019, doi: 10.1016/j.compag.2018.10.010.
S. Prof, B. Sharon, P. P, P. S, S. Prince, and R. R, “Smart Agriculture with IoT,” International Journal of Innovative Research in Information Security, vol. 09, no. 03, pp. 225–228, Jun. 2023, doi: 10.26562/ijiris.2023.v0903.31.
J. I. Saez Rojas, J. M. Pantoja, M. Matamala, I. C. Briceno, J. P. Vasconez, and A. R. Romero-Conrado, “An IoT-Based Prototype for Optimizing Agricultural Irrigation: A Case Study in the Biobio Region of Chile,” in Procedia Computer Science, Elsevier B.V., 2024, pp. 1009–1014. doi: 10.1016/j.procs.2024.06.127.
A. C. Teixeira, J. Ribeiro, R. Morais, J. J. Sousa, and A. Cunha, “A Systematic Review on Automatic Insect Detection Using Deep Learning,” Mar. 01, 2023, MDPI. doi: 10.3390/agriculture13030713.
A. Srinivasa, “Real-time early detection of weed plants in pulse crop field using drone with IoT”, doi: 10.13140/RG.2.2.27656.03845.
M. Dong, H. Yu, Z. Sun, L. Zhang, Y. Sui, and R. Zhao, “Research on agricultural environmental monitoring Internet of Things based on edge computing and deep learning,” Journal of Intelligent Systems, vol. 33, May 2024, doi: 10.1515/jisys-2023-0114.
A. Garcia-Perez, R. Miñón, A. I. Torre-Bastida, and E. Zulueta-Guerrero, “Analysing Edge Computing Devices for the Deployment of Embedded AI,” Sensors, vol. 23, no. 23, Dec. 2023, doi: 10.3390/s23239495.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 International Journal of Information Science and Technological Applications-UAS IJISTA
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
