El paquete de soporte de MATLAB Coder para modelos de PyTorch ® y LiteRT permite generar código fuente C/C++ legible y portátil a partir de una variedad de redes de Deep Learning preentrenadas de PyTorch y LiteRT (anteriormente TensorFlow Lite). Puede integrar la aplicación completa, incluyendo modelos de Deep Learning y funcionalidades de pre y posprocesamiento desarrolladas en MATLAB y Simulink, en proyectos existentes de C/C++ ya sea como código fuente, librerías estáticas o librerías dinámicas. Luego puede desplegar la aplicación completa en diversas plataformas de hardware, desde sistemas de escritorio hasta hardware embebido.
El paquete de soporte también permite generar código CUDA® a partir de modelos de PyTorch y LiteRT en las GPU de NVIDIA®, como las plataformas embebidas NVIDIA Jetson™ y NVIDIA Clara™, con GPU Coder. Puede aplicar personalizaciones de código, optimizaciones específicas de hardware y verificación de código utilizando pruebas de software-in-the-loop (SIL) y processor-in-the-loop (PIL), con Embedded Coder. También puede generar código a partir de modelos de Simulink que contengan modelos PyTorch y LiteRT, con Simulink Coder.
Aspectos destacados
Generación de código fuente
Genere código fuente legible y portátil en C/C++ a partir de modelos preentrenados de PyTorch y LiteRT, y lógica de pre y posprocesamiento. Despliegue el código generado de forma gratuita en aplicaciones comerciales para sus clientes sin cargo alguno. Alternativamente, utilice intrínsecos específicos del procesador para objetivos selectos, como microcontroladores Infineon© AURIX™ TC4x, con Embedded Coder.
Ejecución en hardware
Compile el código generado y ejecútelo en hardware compatible con su compilador, desde sistemas de escritorio hasta procesadores embebidos y microcontroladores. Implemente en cualquier dispositivo objetivo, integrando manualmente el código generado en su aplicación. Automatice el proceso utilizando paquetes de soporte de hardware, como MATLAB Support Package for Raspberry Pi y MATLAB Coder Support Package for NVIDIA Jetson and NVIDIA DRIVE Platforms.
Optimización del código generado
Genere SIMD (instrucción única, datos múltiples) y paralelice los bucles con código OpenMP multinúcleo. Genere código intrínseco específico del procesador con Embedded Coder para microcontroladores ARM® Cortex®-M, Cortex-A e Infineon AURIX TC4x, a fin de lograr una ejecución más rápida.
Aplicaciones de Deep Learning
Utilice redes de Deep Learning de PyTorch y LiteRT para procesar diferentes tipos de datos y desplegar las redes en hardware con recursos limitados.
Datos de señales y series temporales
Aplique Deep Learning a datos de señales y series temporales para tareas de detección de anomalías, clasificación de señales, estimación del estado de carga de baterías y reconocimiento de voz. Genere código y despliegue redes neuronales recurrentes (RNN), memoria a corto-largo plazo (LSTM), unidades recurrentes con compuertas (GRU), transformers y autoencoders en CPU, entre ellas ARM Cortex-M, Cortex-A y Intel®, y GPU NVIDIA.
Datos de imagen y vídeo
Aplique Deep Learning a imágenes y vídeos para clasificar imágenes, detectar y seguir objetos dentro cada fotograma, y segmentar regiones de imagen y fotograma en diferentes tipos de objetos. Genere código y despliegue redes YOLO11, DINOv2 y Depth Anything en CPU, entre ellas ARM Cortex-M, Cortex-A y Intel, y GPU NVIDIA.
Solicite el paquete de soporte
Comuníquese con nuestro equipo técnico experto.
