GPU Coder を使用した深層学習

MobileNet-v2、ResNet、GoogLeNet などのイメージ分類ネットワーク用の CUDA コード生成を開始する。

dlnetwork オブジェクトおよび dlarray オブジェクト用の CUDA コード生成。

完全畳み込みセマンティック セグメンテーション ネットワークの学習と NVIDIA GPU への展開。

TensorRT を使用して 32 ビット浮動小数点、16 ビット浮動小数点、および 8 ビット整数での予測を実行する CUDA MEX ファイルを生成する。

You Only Look Once (YOLO) v2 オブジェクト検出器用の CUDA MEX を生成する。

シングルショット マルチボックス車両検出器ネットワークの CUDA コードを生成する。

イメージ分類アプリケーションを ARM Mali GPU に展開する。

長短期記憶 (LSTM) ネットワーク用の CUDA® コードを生成する方法を示す。

深層学習を使用して ECG 信号を分類する Simulink モデルの CUDA を生成する。

3 つのクラスに属するオーガナイズド LIDAR 点群をセグメント化できるネットワーク用の CUDA MEX を生成する。

畳み込み層と BiLSTM 層をもつネットワークを使用して、Jetson Xavier でアクティビティを分類する。

You Only Look Once (YOLO) v3 オブジェクト検出器用の CUDA MEX を生成する。

この例では、車線検出と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、交通量ビデオのフレームを入力として受け取り、エゴ ビークルの左右の車線に対応する 2 つの車線境界線を出力し、フレーム内の車両を検出します。この例では、GPU Coder Toolbox™ の "GPU Coder により最適化された車線検出" の例の事前学習済み車線検出ネットワークを使用します。詳細については、GPU Coder により最適化された車線検出を参照してください。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線検出ネットワークも使用します。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。

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.

残差ネットワークの畳み込み層の学習可能パラメーターを量子化し、CUDA コードを生成する。

8 ビット整数で推論計算を実行する SSD 車両検出器および YOLO v2 車両検出器用の CUDA コードを生成する。

Magnitude スコアと Synaptic Flow スコアのメトリクスを使用して、学習済みニューラル ネットワークのパラメーターを枝刈りする。

LiDAR セマンティック セグメンテーション用の PointNet++ ネットワークの CUDA MEX コードを生成する。

PointPillars オブジェクト検出器の CUDA MEX を生成する。

カスタム層を使用した You Only Look Once (YOLO) v4 オブジェクト検出器用のスタンドアロン CUDA® 実行可能ファイルを生成する。Tiny YOLO v4 ネットワークは、ネットワーク層を少なくした YOLO v4 ネットワークの軽量バージョンです。特徴ピラミッド ネットワークをネックとして使用し、2 つの YOLO v4 検出ヘッドを備えています。ネットワークは、COCO データセットで学習させました。YOLO v4 オブジェクト検出ネットワークの詳細については、「Getting Started with YOLO v4」および「Detect objects using YOLO v4 object detector」を参照してください。