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?