Создание кода для приложения классификации изображений, использующего глубокое обучение. Он использует codegen команда для создания функции MEX, выполняющей прогнозирование с использованием сетей классификации изображений, таких как MobileNet-v2, ResNet и GoogLeNet.

Создание CUDA ® MEX для обученной сети вариационного автокодера (VAE). Пример иллюстрирует:

Создание кода CUDA ® из сети глубокого обучения, представленной SeriesNetwork объект. В этом примере последовательная сеть представляет собой сверточную нейронную сеть, которая может обнаруживать и выводить границы маркера полосы движения из изображения.

Создание кода CUDA ® MEX для приложения обнаружения и распознавания дорожных знаков, использующего глубокое обучение. Обнаружение и распознавание дорожных знаков является важным приложением для систем помощи водителю, помогая и предоставляя информацию водителю о дорожных знаках.

Создание кода для приложения классификации логотипов, использующего глубокое обучение. Он использует codegen команда для генерации функции MEX, которая выполняет прогнозирование для SeriesNetwork объект с именем LogoNet.

Создание кода для приложения сегментации изображений, использующего глубокое обучение. Он использует codegen команда для генерации функции MEX, которая выполняет прогнозирование на объекте сети DAG для SegNet [1], сети глубокого обучения для сегментации изображения.

Обучение и развертывание полностью сверточной сети семантической сегментации на графическом процессоре NVIDIA ® с помощью графического процессора Coder™.

Создание кода для приложения сегментации изображений, использующего глубокое обучение. Он использует codegen команда для генерации функции MEX, которая выполняет прогнозирование на объекте сети DAG для U-Net, сети глубокого обучения для сегментации изображения.

Создание CUDA ® MEX на основе кода MATLAB ® и удаление изображений в градациях серого с помощью деноизирующей сверточной нейронной сети (DnCNN [1]). Можно использовать помехоустойчивую сеть для оценки шума в шумном изображении, а затем удалить ее для получения засоренного изображения.

Создание кода для приложения глубокого обучения с помощью библиотеки NVIDIA TensorRT™. Он использует codegen команда для генерации MEX-файла для выполнения прогнозирования с помощью ResNet-50 сети классификации изображений с помощью TensorRT. Второй пример демонстрирует использование codegen команда для создания MEX-файла, выполняющего 8-битное целочисленное предсказание с использованием TensorRT для сети классификации логотипов.

Создайте CUDA ® MEX для обнаружения объектов только один раз (YOLO) версии 2. Сеть обнаружения объектов YOLO v2 состоит из двух подсетей. Сеть извлечения элементов, за которой следует сеть обнаружения. В этом примере генерируется код для сети, обученной на примере «Обнаружение объектов с помощью глубокого обучения YOLO v2» из Computer Vision Toolbox™. Дополнительные сведения см. в разделе Обнаружение объектов с помощью глубокого обучения YOLO v2 (Computer Vision Toolbox). Вы можете изменить этот пример, чтобы создать CUDA ® MEX для сети, импортированной в примере Import Pretrained ONNX YOLO v2 Object Detector из Computer Vision Toolbox™. Дополнительные сведения см. в разделе Импорт предварительно обученного детектора объектов ONNX YOLO v2 (Computer Vision Toolbox).

Создайте код CUDA ® для сети SSD (объект ssdObjectDetector) и воспользуйтесь преимуществами библиотек NVIDIA ® cuDNN и TensorRT. Сеть SSD основана на сверточной нейронной сети прямой связи, которая обнаруживает множество объектов в изображении за один снимок. Сеть SSD может рассматриваться как имеющая две подсети. Сеть извлечения элементов, за которой следует сеть обнаружения.

Используйте cnncodegen функция создания кода для приложения классификации изображений, использующего глубокое изучение графических процессоров ARM ® Mali. В примере используется MobileNet-v2 Сеть DAG для выполнения классификации образов. Созданный код использует преимущества вычислительной библиотеки ARM для компьютерного зрения и машинного обучения.

Демонстрация создания кода CUDA ® для сети LSTM. Пример создает приложение MEX, которое делает прогнозы на каждом шаге входных временных серий. Демонстрируются два метода: метод, использующий стандартную сеть LSTM, и метод, использующий поведение с учетом состояния той же сети LSTM. В этом примере используются данные датчика акселерометра со смартфона, переносимого на тело, и производится прогноз активности пользователя. Движения пользователей подразделяются на одну из пяти категорий, а именно танцы, бег, сидение, стояние и ходьба. В примере используется предварительно обученная сеть LSTM. Дополнительные сведения об обучении см. в примере «Классификация последовательностей с использованием глубокого обучения» (Deep Learning Toolbox) из Deep Learning Toolbox™.

Демонстрирует, как вы можете использовать мощные методы обработки сигналов и сверточные нейронные сети вместе для классификации сигналов ЭКГ. Мы также покажем, как код CUDA ® может быть создан на основе модели Simulink ®. В этом примере используется предварительно обученная сеть CNN из временного ряда классификации с использованием вейвлет-анализа и примера глубокого обучения вейвлет- Toolbox™ для классификации сигналов ЭКГ на основе изображений из CWT данных временного ряда. Сведения об обучении см. в разделе Классификация временных рядов с использованием вейвлет-анализа и глубокого обучения (инструментарий вейвлет).

Создание кода CUDA ® MEX для сети глубокого обучения для лидарной семантической сегментации. В этом примере используется предварительно обученная сеть SqueezeSegV2 [1], которая может сегментировать организованные облака точек лидара, относящиеся к трем классам (фон, автомобиль и грузовик). Дополнительные сведения о процедуре обучения для сети см. в разделе Сегментация облака точек Lidar SqueezeSegV2 использованием сети глубокого обучения. Созданный код MEX принимает облако точек в качестве входных данных и выполняет прогнозирование облака точек с помощью объекта DAGNetwork для SqueezeSegV2 сети .

Создайте код CUDA ® для сети глубокого обучения, которая классифицирует видео и развертывает созданный код на плате NVIDIA ® Jetson Xavier с помощью пакета поддержки Coder™ MATLAB ® для платформ NVIDIA Jetson и NVIDIA DRIVE. Сеть глубокого обучения имеет как сверточный, так и двунаправленный уровни долговременной памяти (BiLSTM). Сформированное приложение считывает данные из указанного видеофайла как последовательность видеокадров и выводит метку, которая классифицирует активность в видео. В этом примере генерируется код для сети, обученной на примере «Классифицировать видео с помощью глубокого обучения» из панели инструментов глубокого обучения (TM). Дополнительные сведения см. в разделе Классификация видео с помощью глубокого обучения (панель инструментов глубокого обучения).

Создайте CUDA ® MEX только для детектора объектов YOLO v3 с пользовательскими слоями. YOLO v3 улучшает YOLO v2, добавляя обнаружение в нескольких масштабах, чтобы помочь обнаруживать объекты меньшего размера. Кроме того, функция потерь, используемая для обучения, разделяется на среднеквадратичную ошибку для регрессии ограничивающей рамки и двоичную перекрестную энтропию для классификации объектов, чтобы помочь улучшить точность обнаружения. В этом примере используется сеть YOLO v3, изученная в примере «Обнаружение объектов с помощью глубокого обучения YOLO v3» на панели инструментов Computer Vision Toolbox (TM). Дополнительные сведения см. в разделе Обнаружение объектов с помощью глубокого обучения YOLO v3.

Разработка приложения CUDA ® на основе модели Simulink ®, которое выполняет обнаружение полосы движения и транспортного средства с использованием сверточных нейронных сетей (CNN). В этом примере в качестве входных данных берутся кадры видео движения, выводятся две границы полосы движения, которые соответствуют левой и правой полосам движения эго-транспортного средства, и обнаруживаются транспортные средства в кадре. В этом примере используется предварительно обученная сеть обнаружения полосы из примера оптимизированного обнаружения полосы с кодером GPU Toolbox™ кодера GPU. Дополнительные сведения см. в разделе Определение полосы движения, оптимизированное с помощью кодера графического процессора. В этом примере также используется предварительно обученная сеть обнаружения транспортного средства из примера «Обнаружение объектов с помощью глубокого обучения YOLO v2» toolbox™ компьютерного зрения. Дополнительные сведения см. в разделе Обнаружение объектов с помощью глубокого обучения YOLO v2 (Computer Vision Toolbox).

Развертывание модели Simulink ® на TX2 плате NVIDIA ® Jetson для классификации изображений веб-камеры. В этом примере изображения с веб-камеры классифицируются в реальном времени с использованием предварительно обученной глубокой сверточной нейронной сети.ResNet-50. Модель Simulink в данном примере использует блоки камеры и дисплея из пакета поддержки MATLAB ® Coder™ для платформ NVIDIA Jetson и NVIDIA DRIVE для записи видеопотока с веб-камеры и отображения результатов прогнозирования на мониторе, подключенном к платформе Jetson.