IA para dispositivos edge con MATLAB y Simulink

Despliegue aplicaciones de Machine Learning y Deep Learning en sistemas integrados

Simule, pruebe y despliegue modelos de Machine Learning y Deep Learning en dispositivos edge y sistemas integrados. Genere código para aplicaciones de IA completas, incluidos algoritmos de preprocesamiento y posprocesamiento.

Con MATLAB^® y Simulink^®, puede:

Generar código C/C++ y CUDA optimizado para desplegarlo en CPU y GPU
Generar código VHDL y Verilog sintetizable para desplegarlo en FPGA y SoC
Acelerar la inferencia con librerías de Deep Learning optimizadas para hardware, tales como oneDNN, Arm Compute Library y TensorRT
Incorporar modelos de TensorFlow Lite (TFLite) previamente entrenados en aplicaciones desplegadas en hardware
Comprimir modelos de IA para inferencia en hardware con recursos limitados mediante herramientas para ajuste de hiperparámetros, cuantización y recorte de redes

“MATLAB incluye todas las herramientas que necesitamos para anotar datos, y seleccionar, entrenar, probar y ajustar un modelo de Deep Learning. Con GPU Coder, pudimos desplegar rápidamente en GPU de NVIDIA, a pesar de que teníamos poca experiencia con GPU”.

Código C/C++ desplegado en hardware integrado.

CPU y microcontroladores

Genere código C/C++ optimizado y portátil a partir de modelos entrenados de Machine Learning y Deep Learning con MATLAB Coder™ y Simulink Coder™. Si prefiere, puede incluir llamadas a librerías específicas de proveedores optimizadas para inferencia de Deep Learning en el código generado, tales como oneDNN y Arm^® Compute Library.

Generación de código para identificación de imágenes con Machine Learning

Generación de código C/C++ genérico para redes de Deep Learning

Compresión de una red de clasificación de imágenes para su despliegue en dispositivos integrados con recursos limitados

Generación de código para un modelo de TensorFlow Lite (TFLite) y despliegue en Raspberry Pi

Código C/C++ en Simulink desplegado en un equipo de escritorio de NVIDIA y una GPU integrada.

GPU

Genere código CUDA^® optimizado para redes de Deep Learning entrenadas con GPU Coder™. Incluya preprocesamiento y posprocesamiento junto con las redes para desplegar algoritmos completos en equipos de escritorio, servidores y GPU integradas. Utilice librerías CUDA de NVIDIA^®, tales como TensorRT™ y cuDNN, para optimizar el rendimiento.

Generación de código para detección de objetos con Deep Learning de YOLO v4

Predicción con Deep Learning utilizando NVIDIA TensorRT

Generación de código para un modelo de Simulink de Deep Learning para clasificar señales de ECG

Ejecución de inferencia de Deep Learning basada en FPGA en un hardware de prototipado desde MATLAB y generación de un núcleo IP HDL de Deep Learning para desplegarlo en cualquier FPGA o ASIC.

FPGA y SoC

Realice prototipado de redes de Deep Learning e impleméntelas en FPGA y SoC con Deep Learning HDL Toolbox™. Programe procesadores de Deep Learning y núcleos IP de movimiento de datos con flujos de bits predefinidos para kits de desarrollo de FPGA más populares. Genere flujos de bits y núcleos IP de procesadores de Deep Learning personalizados con HDL Coder™.

Uso de MATLAB para realizar prototipado de Deep Learning en FPGA de Xilinx (3:25)

Uso de MATLAB para realizar prototipado de Deep Learning en FPGA de Intel (3:24)

Despliegue de un modelo de regresión de red neuronal en una plataforma FPGA/ASIC

Gráfico de capas, estadísticas de calibración y resultados de validación para optimizar modelos de IA para despliegue integrado.

Compresión de modelos de IA

Reduzca los requisitos de memoria de modelos de Machine Learning y Deep Learning con ajuste de hiperparámetros y cuantización de pesos, sesgos y activaciones. Recorte las conexiones de capas insignificantes para reducir el tamaño de una red neuronal profunda.

Compresión de un modelo de Machine Learning para hardware con memoria limitada

Generación de código en punto fijo para predicción de SVM

Deep Network Quantizer (ejemplos)

Recorte de parámetros y cuantización de una red de clasificación de imágenes

Compresión de redes neuronales con proyección de red