展開

この例では、NVIDIA® の組み込みボードで MATLAB® Coder™ Support Package for NVIDIA Jetson™ and NVIDIA DRIVE® Platforms を使用する方法を示します。この例では、単純なベクトル加算アルゴリズムを使用して次のことを説明します。

この例では、NVIDIA® Jetson™ Nano に接続された Raspberry Pi Camera Module V2 からのイメージをキャプチャして処理する方法を示します。MATLAB® Coder™ Support Package for NVIDIA Jetson and NVIDIA DRIVE Platforms を使用すると、Camera Module V2 からのイメージをキャプチャして MATLAB 環境に持ち込んで処理することができます。この例では、この機能を使用してソーベル エッジ検出アルゴリズムを開発する方法を学習します。

この例では、深層学習を使用するイメージ セグメンテーション アプリケーションの CUDA® 実行可能ファイルを生成して展開する方法について説明します。これは MATLAB® Coder™ Support Package for NVIDIA® Jetson™ and NVIDIA DRIVE™ Platforms を使用して、NVIDIA DRIVE™ プラットフォーム上に実行可能ファイルを展開します。この例では、ホスト コンピューターでコード生成を実行し、生成されたコードを、サポート パッケージのリモート ビルド機能を使用して、ターゲット プラットフォーム上でビルドします。詳細については、セマンティック セグメンテーション ネットワークのコード生成を参照してください。

この例では、GPU Coder™ Support Package for NVIDIA GPUs を使用して、Image Processing Toolbox™ アルゴリズムを NVIDIA® Jetson TX2 ボードに展開する方法を説明します。この概念を説明するための例として、関数 imtophat (Image Processing Toolbox) を使用します。この関数は、グレースケール イメージに対してモルフォロジー トップハット フィルター処理を実行します。トップハット フィルター処理を実行するとイメージのモルフォロジー オープニングが計算され (imopen (Image Processing Toolbox) を使用)、次に元のイメージから結果が減算されます。生成された CUDA® コードでは、GPU での演算を高速化するために共有メモリが使用されます。

この例では、GPU Coder™ Support Package for NVIDIA GPUs を使用して、DAGNetwork オブジェクトから CUDA® コードを生成し、その生成コードを NVIDIA® Jetson® TX2 ボードに展開する方法を説明します。この例では、resnet50 深層学習ネットワークを使用して、USB Web カメラのビデオ ストリームのイメージを分類します。

この例では、連続ウェーブレット変換 (CWT) と事前学習済みの畳み込みニューラル ネットワーク (CNN) を使用して人間の心電図 (ECG) 信号を分類する CUDA® 実行可能ファイルを生成および展開する方法を説明します。

Jetson Xavier 上の 3 次元 LIDAR データについてグランド プレーンをセグメント化して車両近くの障害物を見つける。

Deploy a Simulink® model on the NVIDIA® Jetson™ board for keyword spotting in audio data. This example identifies the keyword(YES) in the input audio data using Mel Frequency Cepstral Coefficients (MFCC) and a pretrained Bidirectional Long Short-Term Memory (BiLSTM) network.

Deploy a Simulink® model on the NVIDIA® Jetson™ board for classifying webcam images. This example classifies images from a webcam in real-time by using the pretrained deep convolutional neural network, ResNet-50. The Simulink model in the example uses the camera and display blocks from the MATLAB® Coder™ Support Package for NVIDIA Jetson and NVIDIA DRIVE™ Platforms to capture the live video stream from a webcam and display the prediction results on a monitor connected to the Jetson platform.

この例では、ビデオベースの霧修正アプリケーション向け CUDA® 実行可能ファイルを生成して展開する方法を示します。この例では、MATLAB® Coder™ Support Package for NVIDIA Jetson and NVIDIA DRIVE Platforms が MATLAB 関数VideoReader用に提供する展開可能なコード生成機能を示します。この例では、ビデオ ファイルの内容を読み取り、霧修正操作を実行し、出力ビデオを NVIDIA® ハードウェアに表示する CUDA アプリケーションを生成します。

この例では、MATLAB® Coder™ Support Package for NVIDIA® Jetson™ and NVIDIA DRIVE™ Platforms を使用して、GPU Coder™ 製品が NVIDIA DRIVE および Jetson ハードウェア プラットフォーム上で PIL 実行を行うことができるようにする方法を示します。この例では、GPU Coder の "霧修正のための GPU コード生成" の例を使用して、PIL 実行を実証します。詳細については、霧の修正を参照してください。

この例では、MATLAB® Coder™ Support Package for NVIDIA® Jetson® and NVIDIA DRIVE® を使用して、Jetson ボードの UART ポート経由でシリアル データの読み取りと書き込みを行う方法を示します。

この例では、MATLAB® Coder™ Support Package for NVIDIA® Jetson® and NVIDIA DRIVE® を使用して、Jetson ボード上のネットワーク経由で UDP データを送受信する方法を示します。

Use MATLAB® Coder™ Support Package for NVIDIA® Jetson® and NVIDIA DRIVE® to send and receive MAVLink packets on a Jetson board via serial from a Pixhawk board.

Demonstrates enabling and interfacing onboard computer path planning with PX4® Software-in-the-Loop (SITL).

この例では、Simulink® の "Video Send" ブロックを使用して、シミュレートされたカメラ データ、深度データ、およびセマンティック セグメンテーション ラベル データを Unreal Engine® シーンから NVIDIA® Jetson™ ハードウェアにストリーミングする方法を示します。次に、受信データ ストリームごとに個別のモデルを展開して、Jetson プラットフォームに接続されたモニター上で受信データ ストリームを可視化する方法を示します。展開されるモデルには、MATLAB® Coder™ Support Package for NVIDIA Jetson and NVIDIA DRIVE® Platforms の "Network Video Receive" ブロックと "SDL Video Display" ブロックが含まれます。

Use the MATLAB® Coder™ Support Package for NVIDIA® Jetson® and NVIDIA DRIVE® Platforms to implement MODBUS® TCP/IP communication between MODBUS client and server devices. It also shows how to communicate between the two devices in four modes of operation, Client Read, Client Write, Server Read, and Server Write.

この例では、車両検出を実行する Simulink® モデルから、畳み込みニューラル ネットワーク (CNN) を使用して CUDA® アプリケーションを開発する方法を説明します。この例では、IP カメラ ストリームを入力として受け取り、フレーム内の車両を検出します。この例では、Computer Vision Toolbox™ の "YOLO v2 深層学習を使用したオブジェクト検出" の例の事前学習済み車両検出ネットワークを使用します。詳細については、YOLO v2 深層学習を使用したオブジェクトの検出 (Computer Vision Toolbox)を参照してください。