Искусственный интеллект стал неотъемлемой частью автомобильной промышленности. Например, по данным глобальной финансовой компании UBS, беспилотное такси, работающее на ИИ, к 2030 году создаст мировой рынок стоимостью 2 триллиона долларов.

На это указывает одно из наиболее заметных новшеств в отрасли — развитие технологии автономного вождения. В беспилотных автомобилях используются системы машинного зрения на основе камер, а также радарные и лидарные детекторы для восприятия, понимания и безопасного ориентирования в окружающей среде.

В этом практикуме вы узнаете, как оптимизировать производительность приложений для беспилотных автомобилей, таких как навигация по полосе движения и обнаружение пешеходов. Вы научитесь строить и обучать нейронную сеть семантической сегментации для идентификации таких объектов, как дороги, пешеходы и другие транспортные средства. Затем вы развернете нейронную сеть на платформе NVIDIA DRIVE AGX™ для автономной навигации автомобиля. По окончании практикума вы получите навыки, необходимые для создания приложений ИИ для различных сценариев автономного вождения, включая вождение по шоссе, городские дороги и парковку.

Цели обучения


На этом практикуме вам предстоит:
  • Запустить пример кода с использованием различных конфигураций памяти GPU на платформе DRIVE AGX, чтобы определить, какая из них наиболее эффективна в различных сценариях использования
  • Сравнить несколько методов оптимизации производительности с помощью CUDA® и тестовых примеров с временными интервалами на платформе DRIVE AGX
  • Создать и обучить сети семантической сегментации для понимания автомобильных сцен путем объединения головы полностью конволюционной сети (FCN) со стволом конволюционной нейронной сети (CNN) MobileNets 
  • Обучить модель семантической сегментации с помощью инструмента NVIDIA DIGITS, использующего данные Cityscapes для демонстрации пиксельной семантической сегментации сцен
  • Преобразование семантических моделей сегментации Keras и Tensorflow в оптимизированные модели NVIDIA® TensorRT™, которые могут быть развернуты для практических приложений на платформе DRIVE AGX
  • Развернуть и запустить оптимизированную модель TensorRT на платформе DRIVE AGX для демонстрации процесса разработки и внедрения DRIVE-приложений.

Скачать описание практикума (PDF, 299 KБ)

Краткое описание практикума

Введение
(15 мин)
  • Знакомство с инструктором
  • Создание аккаунта на courses.nvidia.com/join
CUDA на DRIVE AGX
(120 мин)
    Изучите методы повышения производительности GPU для DRIVE-приложений с помощью управления памятью и оптимизации:
    • Протестируйте и сравните компромиссы в производительности для стандартных, закрепленных и объединенных типов памяти
    • Изучите оптимизацию вычислений со смешанной точностью в инференсе
    • Оптимизируйте производительность с помощью потоков CUDA и методов балансировки нагрузки
Перерыв (60 мин)
Тренировочная семантическая сегментация для DRIVE
(120 мин)
    Изучите, как построить и обучить FCN для семантической сегментации и развернуть ее для анализа автомобильных сцен:
    • Создайте семантическую сегментацию FCN на основе стандартной CNN в TensorFlow
    • Подготовьте набор данных Cityscapes для обучения FCN с помощью DIGITS
    • Тренируйте и тестируйте FCN в DIGITS, используя вывод для наблюдения за результирующей семантической сегментацией сцен на пиксельном уровне
Перерыв (15 мин)
Развертывание сети семантической сегментации с помощью TensorRT
(120 мин)
    Изучите рабочий процесс разработки TensorRT для автономного вождения семантической сегментации:
    • Оптимизируйте предварительно подготовленную модель семантической сегментации, построенную с Keras на TensorRT для встраиваемой системы
    • Тестируйте и сравнивайте производительность и точность реализации Keras, TensorRT FP32 и TensorRT INT8
    • Постройте калибровочный набор данных и разверните модель во встроенной системе для дополнительного сравнения производительности
Оценка и Вопросы и Ответы (15 мин)
 

Информация о практикуме

Продолжительность: 8 часов

Цена :для уточнения стоимости свяжитесь с нами. 

Необходимые требования:

  • Знание C++ и Python
  • Опыт работы с конволюционными нейронными сетями (CNN)

Предлагаемые материалы для подготовки к участию в тренинге : Обучение C++, Обучение Python, Конволюционная нейронная сеть

Технологии: TensorFlow, Keras, NVIDIA TensorRT, CUDA C++, Python, NVIDIA DIGITS, 

Сертификат: После успешного завершения тестирования участники получат сертификат NVIDIA DLI для подтверждения своей квалификации и дальнейшего карьерного роста.

Аппаратные требования: ПК или ноутбук с поддержкой последней версии Chrome или Firefox.. Каждому участнику будет предоставлен доступ к полностью настроенному облачному серверу с ускорением на GPU.

Языки: Английский, Упрощенный китайский

У вас возникли вопросы?

Свяжитесь с нами, если у вас есть вопросы
о курсах по глубокому обучению

  1. Section
Читайте часто задаваемые вопросы
Услуги Института глубокого обучения (DLI) NVIDIA
Форумы NVIDIA для разработчиков
Решения DLI
Продукты
Технологии
Материалы