艾曼努伊尔·佐拉科勒菲瑟拉基斯,MathWorks
用MATLAB®R2020b,您可以使用深度学习工具箱™ 块库以及MATLAB功能块,用于在Simulink中模拟和生成经过训练的深度学习模型的代码金宝app®.
了解如何在Simulink中使用控制、信号处理和传感器融合组件模拟深度学习网络,以评估深度学习模型对系金宝app统级性能的影响。了解有关使用NVIDIA的更多信息®GPU可加速在Simulink中执行深度学习网络模型。金宝app
从MATLAB的R2020b版本开始®,您可以使用MATLAB功能块以及深度学习工具箱™ 块库,用于在Simulink中从经过训练的深度学习模型模拟和生成代码金宝app®. 例如,要设计公路车道跟驰系统,您可以使用深度学习模块创建执行车道和车辆检测的Simulink子系统,将该子系统与包含其他组件(如车辆动力学模型、车道跟驰控制器、,传感器融合和三维可视化,并在部署前通过系统级仿真金宝app验证总体设计的性能。让我们看看如何在Simulink中创建一个子系统来执行车辆和车道检测。我们首先需要的是C++编译器。我们还需要提供MATLAB编码器接口的支持包™ 和GPU编码器™ 针对特定的深度学习图书馆。最后,我们假设我们有一个预训练的车道检测网络和一个存储在MATLAB文件中的预训练的yolov2车辆检测器。在Simulink模型中,我们从交通视频文件中读取数据,在完成车辆和车道检测部分后,我们再次显示带有车道和车辆注释的交通视频。对于车道检测,我们首先调整视频帧的大小,以匹配经过训练的车道检测网络预期的输入。接下来,我们将使用深度学习块库中的“预测”块在经过训练的网络上执行推理。为了将块链接到车道检测器对象,我们提供了相应MATLAB文件的路径。这里的另一个选项是使用MATLAB函数。预测块将输出由抛物线方程表示的两条车道边界,其中包含3个参数,然后将这些参数转换为图像坐标中的车道。对于车辆检测,我们将使用MATLAB功能块对预训练的yolov2车辆检测器进行推理。在MATLAB功能块中,我们将加载预训练网络,并调用检测方法来获得边界框和相关的置信度分数。接下来,我们将指定块输出的尺寸。MA金宝appTLAB功能块也可以用于其他类型的网络,如LSTM,您也可以使用它来输出来自网络特定层的激活。在运行仿真之前,我们需要做的最后一件事是在模型设置中将模拟目标语言设置为C++。单击引擎盖下的Run按钮将从Predict和MATLAB功能块生成代码,并将其编译为CPU加速仿真。模拟的输出按预期显示带注释的交通视频。最后,您还可以将GPU编码器与NVIDIA一起使用®GPU加速Simulink中深度学习模型的模拟。要为GPU加速配置模型,请选中模型设置中模拟目标下的“GPU加速”金宝app框。一旦系统设计在仿真中得到验证,就可以从Simulink模型生成代码进行部署。您可以使用Simulink编码器™, 嵌入式编码器®或GPU编码器生成C++或CUDA代码并在英特尔上部署深度学习网络®臂®,或NVIDIA平台。
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。