Сгенерируйте код CUDA® от простой функции MATLAB® при помощи GPU Coder™. Реализация Множества Мандельброта при помощи стандартных команд MATLAB действует как функция точки входа. Этот пример использует codegen команду, чтобы сгенерировать MEX-функцию, которая работает на графическом процессоре. Можно запустить MEX-функцию, чтобы проверять на ошибки времени выполнения.

Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает предсказание при помощи сетей классификации изображений, таких как MobileNet-v2, ResNet и GoogLeNet.

Алгоритм распознавания с помощью Ускоренных устойчивых функций (SURF) состоит из трех шагов: извлечение признаков, описание функции и соответствие функции. Этот пример выполняет извлечение признаков, которое является первым шагом алгоритма SURF. Алгоритм, используемый здесь, основан на реализации библиотеки OpenSURF. В этом примере показано, как можно использовать GPU Coder™, чтобы решить, это вычисляет интенсивную проблему через генерацию кода CUDA®.

Сгенерируйте CUDA® MEX из кода MATLAB® и выполните функцию, соответствующую между двумя изображениями. Этот пример использует matchFeatures (Computer Vision Toolbox) функция от Image Processing Toolbox™, чтобы совпадать с дескрипторами функции между двумя изображениями, которые вращаются и масштабируются друг относительно друга. Дескрипторы функции двух изображений обнаружены и извлечены при помощи алгоритма Ускоренных устойчивых функций (SURF).

Сгенерируйте CUDA® MEX для функции MATLAB®, которая может обнаружить и вывести контуры маркера маршрута на изображении. Пример берет изображение RGB, как введено и использует rgb2gray, ordfilt2 (Image Processing Toolbox), hough (Image Processing Toolbox), houghpeaks (Image Processing Toolbox) и houghlines (Image Processing Toolbox) функции, которые являются частью Image Processing Toolbox™, чтобы произвести обнаруженное маршрутом выходное изображение.

Демонстрирует обнаружение ребра в изображении с MEX-функцией CUDA®, сгенерированной от функции MATLAB®. Алгоритм обнаружения ребра реализован с типом данных полуточности.

Сгенерируйте код CUDA® для модели Simulink®, которая может обнаружить и вывести контуры маркера маршрута на изображении. Этот пример берет изображение RGB в качестве входа и использует imresize (Image Processing Toolbox), rgb2gray, ordfilt2 (Image Processing Toolbox), hough (Image Processing Toolbox), houghpeaks (Image Processing Toolbox) и houghlines (Image Processing Toolbox) функции, которые являются частью Image Processing Toolbox™, чтобы обнаружить маркировки маршрута. Этот пример сопровождает Обнаружение Маршрута на графическом процессоре при помощи Функции houghlines.

Типичная реализация алгоритма исправления вуали. Пример использует conv2, rgb2gray, и imhist (Image Processing Toolbox) функции. Этот пример сопровождает пример Исправления Вуали. Этот пример иллюстрирует следующие концепции: Верификация Среды графического процессора.

Сгенерируйте отчет профилирования выполнения для сгенерированного кода CUDA® при помощи функции gpucoder.profile. Исправление вуали используется в качестве примера, чтобы продемонстрировать эту концепцию.

Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает предсказание при помощи сетей классификации изображений, таких как MobileNet-v2, ResNet и GoogLeNet.

Сгенерируйте код CUDA® от нейронной сети для глубокого обучения, представленной объектом SeriesNetwork. В этом примере серийная сеть является сверточной нейронной сетью, которая может обнаружить и вывести контуры маркера маршрута от изображения.

Сгенерируйте код CUDA® MEX для обнаружения дорожного знака и приложения для распознавания, которое использует глубокое обучение. Обнаружение дорожного знака и распознавание являются важным приложением для систем помощи водителю, помощи и предоставления информации к драйверу о дорожных знаках.

Генерация кода для приложения классификации логотипов, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на объекте SeriesNetwork под названием LogoNet.

Генерация кода для пешеходного приложения обнаружения, которое использует глубокое обучение. Пешеходное обнаружение является ключевым вопросом в компьютерном зрении. Пешеходное обнаружение имеет несколько приложений в областях автономного управления автомобилем, наблюдения, робототехники, и так далее.

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на Сетевом объекте DAG для SegNet [1], нейронной сети для глубокого обучения для сегментации изображений.

Обучите и разверните полностью сверточную сеть семантической сегментации на графическом процессоре NVIDIA® при помощи GPU Coder™.

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на Сетевом объекте DAG для U-Net, нейронной сети для глубокого обучения для сегментации изображений.

Сгенерируйте CUDA® MEX из кода MATLAB® и denoise полутоновых изображений при помощи сверточной нейронной сети шумоподавления (DnCNN [1]). Можно использовать сеть шумоподавления, чтобы оценить шум в шумном изображении, и затем удалить его, чтобы получить изображение denoised.

Генерация кода для применения глубокого обучения при помощи библиотеки NVIDIA TensorRT™. Это использует codegen команду, чтобы сгенерировать файл MEX, чтобы выполнить предсказание с сетью классификации изображений ResNet-50 при помощи TensorRT. Второй пример демонстрирует использование codegen команды, чтобы сгенерировать файл MEX, который выполняет 8-битное целочисленное предсказание при помощи TensorRT для сети классификации логотипов.

Сгенерируйте CUDA® MEX для вы только смотрите однажды (YOLO) v2 детектор объектов. Сеть обнаружения объектов YOLO v2 состоит из двух подсетей. Сеть извлечения признаков сопровождается сетью обнаружения. Этот пример генерирует код для сети, обученной в Обнаружении объектов Используя пример YOLO v2 Глубокого обучения от Computer Vision Toolbox™. Для получения дополнительной информации смотрите, что Обнаружение объектов Использует Глубокое обучение (Computer Vision Toolbox) YOLO v2. Можно изменить этот пример, чтобы сгенерировать CUDA® MEX для сети, импортированной в Импорте Предварительно обученный пример ONNX YOLO v2 Детектора объектов от Computer Vision Toolbox™. Для получения дополнительной информации смотрите Импорт Предварительно обученный Детектор объектов (Computer Vision Toolbox) ONNX YOLO v2.

Сгенерируйте код CUDA® для сети SSD (ssdObjectDetector объект) и используйте в своих интересах библиотеки TensorRT и NVIDIA® cuDNN. Сеть SSD основана на сверточной нейронной сети прямого распространения, которые обнаруживают несколько объектов в изображении в одном выстреле. Сеть SSD может считаться наличием двух подсетей. Сеть извлечения признаков, сопровождаемая сетью обнаружения.

Используйте функцию cnncodegen, чтобы сгенерировать код для приложения классификации изображений, которое использует глубокое обучение на ARM® Mali графические процессоры. Пример использует сеть MobileNet-v2 DAG, чтобы выполнить классификацию изображений. Сгенерированный код использует в своих интересах библиотеку ARM Compute для компьютерного зрения и машинного обучения.

Демонстрирует, как сгенерировать код CUDA® для сети долгой краткосрочной памяти (LSTM). Пример генерирует приложение MEX, которое делает предсказания на каждом шаге входа timeseries. Продемонстрированы два метода: метод с помощью стандартной сети LSTM и метода, усиливающего поведение с сохранением информации той же сети LSTM. Этот пример использует данные о датчике акселерометра из смартфона, продолжил тело и делает предсказания на действии владельца. Пользовательские перемещения классифицируются в одну из пяти категорий, а именно, танца, выполнения, нахождения, положения и обхода. Пример использует предварительно обученную сеть LSTM. Для получения дополнительной информации об обучении смотрите, что Классификация Последовательностей Использует Глубокое обучение (Deep Learning Toolbox) пример от Deep Learning Toolbox™.

Демонстрирует, как можно использовать мощные методы обработки сигналов и Сверточные нейронные сети вместе, чтобы классифицировать сигналы ECG. Мы также продемонстрируем, как код CUDA® может быть сгенерирован из модели Simulink®. Этот пример использует предварительно обученную сеть CNN от Классифицировать Временных рядов Используя пример Анализа и Глубокого обучения Вейвлета Wavelet Toolbox™, чтобы классифицировать сигналы ECG на основе изображений от CWT данных временных рядов. Для получения информации об обучении смотрите, Классифицируют Временные ряды Используя Анализ Вейвлета и Глубокое обучение (Wavelet Toolbox).

Сгенерируйте код CUDA® MEX для нейронной сети для глубокого обучения для семантической сегментации лидара. Этот пример использует предварительно обученную сеть SqueezeSegV2 [1], которая может сегментировать организованные облака точек лидара, принадлежащие трем классам (фон, автомобиль и грузовик). Для получения информации о методе обучения для сети смотрите, что Сегментация Облака точек Лидара Использует Нейронную сеть для глубокого обучения SqueezeSegV2. Сгенерированный код MEX берет облако точек в качестве входа и выполняет предсказание на облаке точек при помощи объекта DAGNetwork для сети SqueezeSegV2.

Сгенерируйте код CUDA® для нейронной сети для глубокого обучения, которая классифицирует видео, и разверните сгенерированный код на плату NVIDIA® Jetson Xavier с помощью Пакета Поддержки GPU Coder™ для NVIDIA графические процессоры. Нейронная сеть для глубокого обучения имеет и сверточные и двунаправленные долгие краткосрочные слои (BiLSTM) памяти. Сгенерированное приложение считывает данные из заданного видеофайла как последовательность видеокадров и выводит метку, которая классифицирует действие на видео. Этот пример генерирует код для сети, обученной в Классифицировать Видео Используя пример Глубокого обучения от Deep Learning Toolbox(TM). Для получения дополнительной информации смотрите, Классифицируют Видео Используя Глубокое обучение (Deep Learning Toolbox).

Сгенерируйте CUDA® MEX для вы только смотрите однажды (YOLO) v3 детектор объектов с пользовательскими слоями. Пример использует обнаружение объектов YOLO v3, чтобы проиллюстрировать:

Разработайте приложение CUDA® из модели Simulink®, которая выполняет маршрут и сверточные нейронные сети (CNN) использования обнаружения транспортного средства. Этот пример берет системы координат видео трафика как вход, выходные параметры два контура маршрута, которые соответствуют левым и правым маршрутам автомобиля, оборудованного датчиком, и обнаруживает транспортные средства в системе координат. Этот пример использует предварительно обученную сеть обнаружения маршрута от Обнаружения Маршрута, Оптимизированного с примером GPU Coder GPU Coder Toolbox™. Для получения дополнительной информации смотрите Обнаружение Маршрута, Оптимизированное с GPU Coder. Этот пример также использует предварительно обученную сеть обнаружения транспортного средства от Обнаружения объектов Используя пример YOLO v2 Глубокого обучения Компьютерного зрения toolbox™. Для получения дополнительной информации смотрите, что Обнаружение объектов Использует Глубокое обучение (Computer Vision Toolbox) YOLO v2.

Используйте Пакет Поддержки GPU Coder™ для NVIDIA графические процессоры и соединитесь с NVIDIA® DRIVE™ и аппаратными платформами Джетсона, выполните основные операции, сгенерируйте исполняемый файл CUDA® от функции MATLAB® и запустите исполняемый файл на оборудовании. Этот пример использует сложение простого вектора.

Получение и процесс отображают от Модуля Камеры Raspberry Pi V2, соединенный с NVIDIA® Jetson Nano с помощью Пакета Поддержки GPU Coder™ для NVIDIA графические процессоры. Пакет Поддержки GPU Coder для NVIDIA графические процессоры позволяет вам получать изображения от Модуля Камеры V2 и приносить им в среду MATLAB® для обработки. В этом примере вы изучаете, как разработать алгоритм обнаружения ребра Sobel при помощи этой возможности.

Сгенерируйте и разверните исполняемый файл CUDA® для приложения сегментации изображений, которое использует глубокое обучение. Это использует Пакет Поддержки GPU Coder™ для NVIDIA® графические процессоры, чтобы развернуть исполняемый файл на платформе Drive™ NVIDIA. Этот пример выполняет генерацию кода на хосте - компьютере и создает сгенерированный код на целевой платформе при помощи удаленной возможности сборки пакета поддержки. Для получения дополнительной информации смотрите Генерацию кода для Сети Семантической Сегментации.

Разверните алгоритмы Image Processing Toolbox™ в плату NVIDIA® Jetson TX2 с помощью Пакета Поддержки GPU Coder™ для NVIDIA графические процессоры. imtophat (Image Processing Toolbox) функция, которая выполняет морфологическую фильтрацию цилиндра на полутоновом изображении, используется в качестве примера, чтобы продемонстрировать эту концепцию. Фильтрация цилиндра вычисляет морфологическое открытие изображения (использующий imopen (Image Processing Toolbox)) и затем вычитает результат оригинального изображения. Сгенерированный код CUDA® использует общую память, чтобы ускорить операции на графическом процессоре.

Сгенерируйте код CUDA® от объекта DAGNetwork и разверните сгенерированный код на плату NVIDIA® Jetson TX2 с помощью Пакета Поддержки GPU Coder™ для NVIDIA графические процессоры. Этот пример использует resnet50 нейронную сеть для глубокого обучения, чтобы классифицировать изображения от видеопотока веб-камеры USB.

Сгенерируйте и разверните исполняемый файл CUDA®, который классифицирует человеческую электрокардиограмму (ECG) сигналы, использующие функции, извлеченные непрерывным вейвлетом преобразовывает (CWT) и предварительно обученной сверточной нейронной сетью (CNN).