On-Device AI: ON THE AIr

Welcome to On-Device AI: ON THE AIr repository! We aim to research On-Device AI with an emphasis on common model compression techniques, conducting paper reviews, and benchmarking real-world performance using NVIDIA Jetson devices. Join us in advancing On-Device AI through open collaboration and innovation! 🚀

🌟 프로젝트 목표 (Project Vision)

"Propose the optimal model compression techniques for NVIDIA Jetson devices by leveraging the knowledge gained from research paper reviews on model compression methods."

• Learn various pruning techniques during this season (10th).
• Apply the learned model compression methods to existing models.
• Test the actual performance on the NVIDIA Jetson platform.
• Share the results for collaborative insights and community contribution.
• Foster synergy between individual growth and collective intelligence.
• Promote a knowledge-sharing culture based on the open-source spirit.

🧑 역동적인 팀 소개 (Dynamic Team)

역할	이름	기술 스택 배지	주요 관심 분야
Project Manager	정현우		On-Device AI, CV, Robotics
Member	김민성		-
Member	구승연		-
Member	문규식		-
Member	박선영		-
Member	박예리		-
Member	양문기		-
Member	정진우		-
Member	최예제		-
Member	최유진		-
Member	최해인		-

🚀 프로젝트 로드맵 (Project Roadmap)

gantt
    title 2025 On-Device AI 프로젝트 여정
    section 전체 커리큘럼
    Pruning      :a1, 2025-03-03, 119d
    Quantization :a2, after a1, 120d

    section Pruning 세부 활동
    SPECIFIC OR UNIVERSAL SPEEDUP   :b1, 2025-03-03, 35d
    WHEN TO PRUNE                   :b2, after b1, 84d

    section 실습 세부 활동 with Jetson
    Object Detection with Pruning   :c1, 2025-04-01, 63d
    LLM with Pruning                :c2, after c1, 30d
    CV with Pruning                 :c3, after c1, 30d

Loading

💻 주차별 활동 (Activity History)

Paper Review

날짜	내용	발표자	진행방식	참고자료	비고
2025/03/05	OT	정현우	온라인	-
2025/03/12	Unstructured Pruning	구승연	온라인	J. Frankle and M. Carbin, “The lottery ticket hypothesis: finding sparse, trainable neural networks,” in ICLR, 2019.
2025/03/19	Structured Pruning	김민성	오프라인	X. Ma, G. Fang, and X. Wang, “LLM-Pruner: On the structural pruning of large language models,” in NeurIPS, vol. 36, 2023, pp.21 702–21 720.
2025/03/26	Magical Week 휴일	미정	-	-
2025/04/03	Semi-structured Pruning	최유진	온라인	F. Meng, H. Cheng, K. Li, H. Luo, X. Guo, G. Lu, and X. Sun, “Pruning filter in filter,” in NeurIPSW, 2020.
2025/04/09	Pruning Before Training	문규식	온라인	S. Liu, T. Chen, X. Chen, L. Shen, D. C. Mocanu, Z. Wang, and M. Pechenizkiy, “The unreasonable effectiveness of random pruning: Return of the most naive baseline for sparse training,” in ICLR, 2022.
2025/04/16	Pruning During Training: Sparsity Regularization based Methods	박예리	온라인	W. Wen, C. Wu, Y. Wang, Y. Chen, and H. Li, “Learning structured sparsity in deep neural networks,” in NIPS, 2016.
2025/04/23	Pruning During Training: Dynamic Sparse Training based Methods	구승연	오프라인	U. Evci, T. Gale, J. Menick, P. S. Castro, and E. Elsen, “Rigging the lottery: Making all tickets winners,” in ICML, 2020.
2025/04/30	Zero-shot Pruning	정현우	온라인	선정 중	Magical Week
2025/05/07	Pruning During Training: Score-based Methods	최해인	온라인	Y. He, P. Liu, Z. Wang, Z. Hu, and Y. Yang, “Filter pruning via geometric median for deep convolutional neural networks acceleration,” in CVPR, 2019, pp. 4340–4349.
2025/05/14	Pruning During Training: Differentiable Pruning based methods	정진우	온라인	X. Ning, T. Zhao, W. Li, P. Lei, Y. Wang, and H. Yang, “DSA: More efficient budgeted pruning via differentiable sparsity allocation,” in ECCV, 2020, pp. 592–607.	Pseudo Con
2025/05/21	Pruning After Training: LTH and its Variants	정현우	온라인	선정 중
2025/05/28	Pruning After Training: Other score-based Methods	김민성	오프라인	선정 중
2025/06/04	Pruning After Training: Sparsity Regularization based Methods	최예제	온라인	선정 중
2025/06/11	Pruning After Training: Pruning in Early Training	양문기	온라인	선정 중
2025/06/18	Pruning After Training: Post-Training Pruning	박선영	온라인	선정 중
2025/06/25	Run-time Pruning	정현우	오프라인	선정 중

Hands-On Pruning with Jetson

날짜	내용	진행방식	비고
2025/04/01	OT 및 계획 수립	온라인
2025/04/15	Object Detection Model 선정	온라인
2025/04/29	[PDT] Sparsity Regularization based Method 구현 및 테스트	온라인	Magical Week
2025/05/06	ASP 기반 모델 학습	온라인
2025/05/13	TensorRT 변환 및 HW 내 성능 비교	오프라인	PseudoCon
2025/05/20	[PDT] Sparse Training based Methods 구현 및 테스트	온라인
2025/05/27	[PDT] Score-based Methods 구현 및 테스트	온라인
2025/06/03	[PDT] Differentiable Pruning based methods 구현 및 테스트	온라인
2025/06/10	[PDT] 구현된 모델들 TensorRT 변환 및 HW 성능 비교	오프라인
2025/06/17	[PAT] LTH and its Variants 구현 및 테스트	온라인
2025/06/24	[PAT] Pruning in Early Training 구현 및 테스트	온라인
2025/07/01	[PAT] Post-Training Pruning 구현 및 테스트	온라인
2025/07/08	Run-time Pruning 구현 및 테스트	온라인

진행 방식

Paper Review

매주 스터디 진행 방식은 다음과 같습니다.

1. 근황 이야기 (20 ~ 30분 예상)
2. 발표자를 제외한 참여자들이 준비한 On-Device AI 관련된 이슈들을 공유한다. (20 ~ 40분 예상)
3. 발표자는 준비한 논문 리뷰를 발표한다. (30분 ~ 1시간 예상)

이에 따라 다음 내용들을 준비하시면 됩니다
공통사항

• 해당 주차 논문을 읽는다.

발표자

• 해당 주차 논문에 대한 발표 준비를 한다.

참여자

• On-Device AI와 관련된 기술들(TensorRT, LiteRT, ONNX 등)의 트렌드나 이슈를 준비한다.

💡 학습 자원 (Learning Resources)

세부 논문들은 주차별 활동 내 참고자료 참고

참고 문헌

• Cheng, Hongrong, Miao Zhang, and Javen Qinfeng Shi. "A survey on deep neural network pruning: Taxonomy, comparison, analysis, and recommendations." IEEE Transactions on Pattern Analysis and Machine Intelligence (2024).

🌱 참여 안내 (How to Engage)

진행 정보

• 시간: 매주 수요일 오후 8시
• 장소: 온라인 / 오프라인(강남역)

참여 조건

• On-Device AI(경량화, 최적화 등)에 관심 있으신 분
• 4개월 동안 꾸준히 참여하실 수 있는 분
• 딥러닝 기초 지식 보유하신 분
• 논문을 읽고 리뷰하실 수 있는 분

팀원으로 참여하시려면 러너 모집 기간에 신청해주세요.

• 링크 (준비중)

누구나 청강을 통해 모임을 참여하실 수 있습니다.

1. 특별한 신청 없이 정기 모임 시간에 맞추어 디스코드 #Room-GH 채널로 입장
2. Magical Week 중 행사에 참가
3. Pseudo Lab 행사에서 만나기

About Pseudo Lab 👋🏼

Pseudo-Lab is a non-profit organization focused on advancing machine learning and AI technologies. Our core values of Sharing, Motivation, and Collaborative Joy drive us to create impactful open-source projects. With over 5k+ researchers, we are committed to advancing machine learning and AI technologies.

Contributors 😃

License 🗞

This project is licensed under the MIT License.