学习如何使用Simulink金宝app®设计复杂的系统,包括决策逻辑、控制器、传感器融合、车辆动力学和3D可视化组件。
从2020b版本开始,您可以将深度学习网络整合到您的Simulink模型中,以执行系统级仿真和部署。金宝app
学习如何在ARM上的Simulink中使用基于YOLO v2的深度学习网络对车道和车辆检测器进行模拟金宝app®皮质®——和英特尔®cpu。Simu金宝applink模型包括预处理和后处理组件,这些组件可以执行一些操作,比如调整传入视频的大小、检测坐标以及在检测到的车辆周围绘制边界框。使用相同的Simulink模金宝app型,您可以使用ARM计算库或Intel MKL-DNN (oneDNN)生成优化的c++代码来针对ARM Cortex-A和Intel cpu。
金宝appSimulink是设计复杂系统的可靠工具,包括决策逻辑和控制器、传感器融合、车辆动力学和3D可视化组件。在2020b版本中,您可以将深度学习网络整合到您的Simulink模型中,以执行系统级仿真和部署。金宝app如果我们看看车辆车道检测子系统,我们会看到两个深度学习网络的使用。现在输入的视频就进去了。我们将做一些预处理来调整图像的大小。
从那里,它被发送到车道检测器,我们可以看到车道检测器在mat文件中被定义。从那里,我们将发送它进行一些后处理,以检测坐标,然后在输出视频中绘制左右通道。同时,输入的视频也会被发送到第二个深度学习网络,yolov2网络,这里你可以看到在MATLAB函数块的mat文件中定义了这个。在那里,我们将再次发送它,以做一些注释,在检测到的车辆周围绘制边框。这是一个在CPU上运行的模拟。
帧率稍低,但输入视频在左边,输出视频在右边。你可以看到我们正在检测左右车道,用绿色高亮显示,并在我们看到的车辆周围画出边界框。现在,我们准备好代码生成了,所以我们可以启动Simulink Coder或嵌入式Coder应用程序。金宝app在本例中,我们将启动Embedded coder,然后进入配置参数。在顶部,您将看到适当的系统目标文件。
我们将深度学习网络的语言设置为c++,在这里的底部,你可以看到我们正在使用Microsoft Visual c++工具链。在界面下,我们可以指定深度学习网络。目标库,我们可以选择MKL-DNN的英特尔cpu或ARM计算库的ARM Cortex-A处理器。在这种情况下,我们会保留MKL-DNN这样我们就可以在我们的英特尔CPU上运行它,让我们生成代码。这是代码生成报告。
我们先来看阶跃函数。我往下滚动一点。这里你可以看到我们为两个深度学习网络中的第一个调用推理的部分代码。现在让我们来看看深度学习网络是如何定义的。这是一个用于LaneNet的方法,在这里您可以看到公共和私有方法的集合——设置、预测和清理。
现在我们还可以看看第二个深度学习网络,yolov2网络。这里我们有一组类似的公共和私有方法——设置、预测、额外的激活和清理。如果我们想的话,我们可以查看设置内部,这个在程序开始时加载一次。这里你可以看到深度学习网络在一层一层地加载。当我们做每一层的时候,我们也加载了权重和偏差。
这就是在Simulink中从深度学习网络为cpu生成代码的一个简单介绍,比如英特尔和ARM处理器。金宝app欲了解更多信息,请查看下面的链接。
你也可以从以下列表中选择一个网站:
请选择中国网站(中文或英文),以获得最佳网站性能。MathWorks的其他国家站点并没有针对您所在位置的访问进行优化。