Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Он использует codegen команда для генерации MEX-функции, которая запускает предсказание с помощью сетей классификации изображений, таких как MobileNet-v2, ResNet и GoogLeNet.

Сгенерируйте CUDA ® MEX для обученной сети вариационного автоэнкодера (VAE). Пример иллюстрирует:

Сгенерируйте код CUDA ® из нейронной сети для глубокого обучения, представленной SeriesNetwork объект. В этом примере последовательная сеть является сверточной нейронной сетью, которая может обнаруживать и выводить контуры маркера маршрута из изображения.

Сгенерируйте код CUDA ® MEX для приложения обнаружения и распознавания дорожных знаков, которое использует глубокое обучение. Обнаружение и распознавание дорожных знаков является важным приложением для систем помощи драйверу, оказания помощи и предоставления драйверу информации о дорожных знаках.

Генерация кода для приложения классификации логотипов, которое использует глубокое обучение. Он использует codegen команда, чтобы сгенерировать MEX-функцию, которая выполняет предсказание для SeriesNetwork объект под названием LogoNet.

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Он использует codegen команда, чтобы сгенерировать MEX-функцию, который выполняет предсказание для объекта сети DAG для SegNet [1], нейронной сети для глубокого обучения для сегментации изображений.

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

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Он использует codegen команда для генерации MEX-функции, которая выполняет предсказание объекта DAG Network для U-Net, нейронной сети для глубокого обучения для сегментации изображений.

Сгенерируйте CUDA ® MEX из кода MATLAB ® и денуизируйте полутоновые изображения с помощью деноизирующей сверточной нейронной сети (DnCNN [1]). Можно использовать деноцирующую сеть, чтобы оценить шум в шумном изображении, а затем удалить его, чтобы получить деноизмененное изображение.

Генерация кода для применения глубокого обучения при помощи библиотеки TensorRT™ NVIDIA. Он использует codegen команда для генерации файла MEX для выполнения предсказания с помощью ResNet-50 сети классификации изображений с помощью TensorRT. Второй пример демонстрирует использование codegen команда для генерации файла MEX, который выполняет 8-битное целочисленное предсказание с помощью TensorRT для сети классификации логотипов.

Сгенерируйте CUDA ® MEX для детектора объектов (YOLO) v2 только один раз. Сеть обнаружения объектов YOLO v2 состоит из двух подсетей. Сеть редукции данных, за которой следует сеть обнаружения. Этот пример генерирует код для сети, обученной в Обнаружение объектов Using YOLO v2 Глубокого обучения примере из Toolbox™ Computer Vision. Для получения дополнительной информации смотрите Обнаружение объектов с использованием YOLO v2 Глубокое Обучение (Computer Vision Toolbox). Можно изменить этот пример, чтобы сгенерировать 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 Детекторе объектов ONNX YOLO v2 (Computer Vision Toolbox).

Сгенерируйте код CUDA ® для SSD-сети (объект ssdObjectDetector) и используйте преимущества библиотек NVIDIA ® cuDNN и TensorRT. SSD-сеть основана на прямой сверточной нейронной сети, которая обнаруживает несколько объектов в изображении за один снимок. Сеть SSD может рассматриваться как имеющая две подсети. Сеть редукции данных, за которой следует сеть обнаружения.

Используйте cnncodegen функция для генерации кода для приложения классификации изображений, которое использует глубокое обучение на графических процессорах ARM ® Mali. В примере используется MobileNet-v2 Сеть DAG для выполнения классификации изображений. Сгенерированный код использует преимущества библиотеки 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 входного timeseries. Демонстрируются два метода: метод, использующий стандартную сеть LSTM, и метод, использующий поведение одной и той же сети LSTM с учетом состояния. Этот пример использует данные датчика акселерометра со смартфона, носимого на корпусе, и делает предсказания по активности пользователя. Движения пользователей классифицируются в одну из пяти категорий, а именно танцы, бег, сидение, стоя и ходьба. В примере используется предварительно обученная сеть LSTM. Для получения дополнительной информации о обучении смотрите пример классификации последовательности с использованием глубокого обучения (Deep Learning Toolbox) из Deep Learning Toolbox™.

Демонстрирует, как можно использовать мощные методы обработки сигналов и сверточные нейронные сети вместе, чтобы классифицировать сигналы ЭКГ. Мы также покажем, как код CUDA ® может быть сгенерирован из модели Simulink ®. Этот пример использует предварительно обученную сеть CNN из примера Classify Time Series Using Wavelet Analysis and Глубокое Обучение Wavelet Toolbox™, чтобы классифицировать сигналы ECG на основе изображений из CWT данных временных рядов. Для получения информации о обучении смотрите Классификация временных рядов с использованием Wavelet Analysis 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 процедуре обучения для сети смотрите Сегментацию облака точек Лидара с использованием SqueezeSegV2 Нейронной сети для глубокого обучения. Сгенерированный код MEX принимает облако точек как вход и выполняет предсказание в облаке точек с помощью объекта DAGNetwork для SqueezeSegV2 сети .

Сгенерируйте код CUDA ® для нейронной сети для глубокого обучения, которая классифицирует видео и развертывает сгенерированный код на плате NVIDIA ® Jetson Xavier с помощью пакета Coder™ Support Package для платформ NVIDIA Jetson и NVIDIA. Нейронная сеть для глубокого обучения имеет как сверточный, так и двунаправленный слои долгой краткосрочной памяти (BiLSTM). Сгенерированное приложение считывает данные из заданного видео файла как последовательность видеокадров и выводит метку, которая классифицирует активность в видео. Этот пример генерирует код для сети, обученной в разделе «Классификация видео» Глубокому обучению используя пример из Deep Learning Toolbox(TM). Для получения дополнительной информации смотрите Классификация видео Используя Глубокое Обучение (Deep Learning Toolbox).

Сгенерируйте CUDA ® MEX для детектора объектов (YOLO) v3 только один раз с пользовательскими слоями. YOLO v3 улучшается после YOLO v2, добавляя обнаружение в нескольких шкалах, чтобы помочь обнаружить меньшие объекты. Кроме того, функция потерь, используемая для обучения, разделена на среднюю квадратичную невязку для ограничивающей прямоугольной регрессии и бинарную перекрестную энтропию для классификации объектов, чтобы помочь улучшить точность обнаружения. В этом примере используется сеть YOLO v3, обученная обнаружению объектов с использованием YOLO v3 Глубокого обучения пример из Computer Vision Toolbox(TM). Для получения дополнительной информации смотрите Обнаружение объектов Используя YOLO v3 Глубокое обучение.

Разработайте приложение CUDA ® из модели Simulink ®, которое выполняет обнаружение маршрута и транспортного средства с помощью сверточных нейронных сетей (CNN). Этот пример принимает системы координат видео трафика в качестве входов, выводит два контуров маршрута, которые соответствуют левой и правой полосам автомобиля , оборудованного датчиком, и обнаруживает транспортные средства в системе координат. Этот пример использует предварительно обученную сеть обнаружения маршрута из примера обнаружения маршрута, оптимизированного с помощью GPU Coder Toolbox™ GPU Coder. Для получения дополнительной информации смотрите Обнаружение маршрута Оптимизированное с GPU Coder. Этот пример также использует предварительно обученную сеть обнаружения транспортных средств из обнаружения объектов, используя пример глубокого обучения YOLO v2 toolbox™ Компьютерное Зрение. Для получения дополнительной информации смотрите Обнаружение объектов с использованием YOLO v2 Глубокое Обучение (Computer Vision Toolbox).

Развертывание модели Simulink ® на TX2 плате NVIDIA ® Jetson для классификации изображений веб-камеры. Этот пример классифицирует изображения из веб-камеры в реальном времени с помощью предварительно обученной глубокой сверточной нейронной сети ResNet-50. Модель Simulink в примере использует блоки камеры и отображения из пакета MATLAB ® Coder™ Support Package для NVIDIA Jetson и NVIDIA DRIVE Platforms, чтобы захватить прямой видеопоток с веб-камеры и отобразить результаты предсказания на мониторе, подключенном к платформе JetSetson.