XiaoMi-AI文件搜索系统
World File Search SystemJetson
使用 NVIDIA Jetson 上的深度学习进行面罩检测
2019 年 12 月，冠状病毒大流行开始。冠状病毒疾病-19 (COVID-19) 通过直接接触直接从受污染的表面传播。为了对抗病毒，需要大量设备。口罩是人多拥挤场所个人防护的重要组成部分。因此，确定一个人是否戴着口罩对于融入当代社会至关重要。为了实现这一目标，本文提出的模型使用了深度学习库和 OpenCV。出于安全考虑，选择了这种方法，因为它在部署期间具有很高的资源效率。分类器是使用 MobileNetV2 结构构建的，该结构设计为轻量级，能够在 NVIDIA Jetson Nano 等嵌入式设备中使用以进行实时口罩识别。模型构建的阶段包括收集、预处理、拆分数据、创建模型、训练模型和应用模型。该系统利用图像处理技术和深度学习来处理实时视频源。当有人没有戴口罩时，输出最终会通过内置蜂鸣器发出警报声。实验结果和测试用于验证系统的性能。包括训练和测试，识别率达到99%。
NVIDIA 推出 Jetson Nano 2GB：面向学生、教育工作者、机器人爱好者的终极 AI 和机器人入门套件
本新闻稿中的某些陈述包括但不限于以下陈述：Jetson Nano 2GB 开发套件的优势、影响和可用性；当今的学生和工程师在不久的将来与机器人互动并将 AI 传授给机器人；Jetson 设计用于任何部署；NVIDIA 的 Jetson 推动工业 AIoT 的最大革命，这些陈述均为前瞻性陈述，受风险和不确定性的影响，可能导致结果与预期存在重大差异。可能导致实际结果存在重大差异的重要因素包括：全球经济状况；我们对第三方制造、组装、包装和测试我们产品的依赖；技术发展和竞争的影响；新产品和技术的开发或对我们现有产品和技术的增强；市场对我们产品或我们合作伙伴产品的接受度；设计、制造或软件缺陷；消费者偏好或需求的变化；行业标准和界面的变化；我们的产品或技术集成到系统中时性能意外下降；以及 NVIDIA 向美国证券交易委员会 (SEC) 提交的最新报告中不时详述的其他因素，包括但不限于其 10-K 表年度报告和 10-Q 表季度报告。提交给 SEC 的报告副本发布在公司网站上，可从 NVIDIA 免费获取。这些前瞻性声明并非未来业绩的保证，仅代表截至本文日期的观点，除法律要求外，NVIDIA 不承担更新这些前瞻性声明以反映未来事件或情况的任何义务。
研究文章 边缘人工智能：使用 Jetson Nano 进行心肌梗死生命体征识别的实时无创技术
医学史表明，心肌梗塞是人类死亡的重要原因之一。自主技术的快速发展、计算机视觉和边缘计算的兴起为医疗监测系统提供了令人着迷的可能性。这项工作的主要动机是通过环境智能下的自动紧急识别系统提高心脏骤停期间的存活率。我们提出了一种基于胸痛和跌倒姿势的生命体征检测的新方法，使用智能监控摄像头来应对心肌梗塞期间的紧急情况。使用最先进的卷积神经网络实现了来自“边缘 AI”的实时嵌入式解决方案：单次检测器 Inception V2、单次检测器 MobileNet V2 和物联网嵌入式 GPU 平台 NVIDIA 的 Jetson Nano。深度学习算法针对 3000 个室内彩色图像数据集实施：南洋理工大学红蓝绿和深度、NTU RGB + D 数据集和私有 RMS 数据集。研究主要围绕创建和训练 CNN 模型以检测生命体征并评估其性能指标的两个关键因素。我们提出了一种经济高效且功耗低的心肌梗死生命体征机载检测模型，并评估了指标，平均准确率为 76.4%，平均召回率为 80%。
Kria K26 SOM：边缘 Vision AI 的理想平台
摘要 随着人工智能 (AI) 和机器学习 (ML) 算法的不断进步，许多高计算应用程序现在都部署在边缘设备上。因此，需要一种高效的硬件，既能高效执行复杂算法，又能适应这项技术的快速改进。Xilinx® Kria™ K26 SOM 旨在满足在边缘设备上高效执行 ML 应用程序的需求。在本白皮书中，研究了各种 ML 模型和实时应用程序的性能，并将其与 Nvidia Jetson Nano 和 Nvidia Jetson TX2 进行了比较。Xilinx 的结果显示，K26 SOM 的性能优势大约是 Nvidia Jetson Nano 的 3 倍。与 Nvidia Jetson TX2 相比，它的性能/瓦特优势也超过 2 倍。K26 SOM 的低延迟和高性能深度学习处理单元 (DPU) 比 Nano 提供了 4 倍或更大的优势，并且具有 SSD MobileNet-v1 等网络，使 Kria SOM 成为开发 ML 边缘应用程序的理想选择。
边缘AI计算解决方案
Axiomtek的Edge AI系统无缝将GPU组合与AiotpotenɵAl，可满足各种市场需求。这些系统利用了基于NVIDIA®JETSON和GPUCOMPUɵNGPLAƞMORMS。以紧凑而高性能的设计闻名的Jetson模块得到了NVIDIA JETPACK™SDK的补充，该SDK加速了Soōware的开发。这简化了AI和深度学习算法的开发环境的设置，从而为高级工具提供了方便的访问。在Axiomtek的边缘AI系统中具有无与伦比的性能，它们基于Jetson生态系统，在RoboɵC，Vision AI，自动驾驶机器和Edge Appliplains中表现出色。即使在最具挑战性的情况下，这些系统在这个新时代也可以促进创新和效率。
人工智能无线电收发器 (AIR-T)
AIR7311 将 NVIDIA Jetson Orin NX 16GB 片上系统与 NVIDIA Ampere GPU 架构的计算能力相结合，以支持最新的深度学习方法，包括边缘生成 AI。
OCAP：个性化边缘DNN模型的设备上的班级感知修剪
在本文中，我们提出了一种用于边缘系统的新设备类感知的修剪方法，即OCAP。背后的动机是，深度神经网络（DNN）模型通常经过大型数据集训练，以便他们可以学习更多的多样性功能并被概括以准确预测众多类别。一些作品表明某些功能（频道）仅与某些类有关。和边缘系统通常在系统检测到的特定环境中实现。结果，为特定边缘环境实施一般培训模型会导致不必要的冗余。同时，将一些数据和模型转移到云中以进行个性化会导致隐私问题。因此，我们可能有一种在设备上意识到的修剪方法来删除与类无关紧要的通道，而边缘系统主要观察到，从而减少了模型的浮点操作（拖放），记忆足迹，潜伏期，潜伏期，能源效率，提高能量效率，并提高了相对较高的类别的准确性，并在同时保护了SITUD DATA DAPAIN PLISTERS PLASSICS。OCAP提出了一种基于输入图像的中间激活的新型类感知的修剪方法，以识别类 - 近距离的通道。此外，我们提出了一种基于KL差异的方法，以选择有效调整修剪模型的多样性和代表性数据。实验结果显示了OCAP的有效性和效率。与最先进的类感知的修剪方法相比，OCAP具有更好的准确性和更高的压缩比。代码可在https：//github.com/mzd22222/ocap上获得。此外，我们在Nvidia Jetson Nano，Nvidia Jetson TX2和Nvidia Jetson Agx Xavier上评估了OCAP，在效率方面，实验结果证明了OCAP在边缘系统上的适用性。
NVIDIA DGX-2支持的AI集成业务
© 2019 NVIDIA Corporation。保留所有权利。NVIDIA、NVIDIA 徽标、NVIDIA DGX-2 和 Jetson Nano 是 NVIDIA Corporation 在美国和/或其他国家/地区的商标或注册商标。其他公司和产品名称可能是其各自所有者的商标或注册商标。功能、价格、供货情况和规格如有变更，恕不另行通知。
用于微调深度学习模型的计算分析的车辆边缘云框架
摘要：合作，连接和自动化的移动性（CCAM）基础设施在理解和增强在复杂的城市环境中驾驶的自动驾驶汽车（AVS）的环境感知方面起着关键作用。但是，CCAM基础架构的部署需要有效地选择计算处理层和机器学习（ML）和深度学习（DL）模型的部署，以在复杂的Urban环境中实现AV的更大性能。在本文中，我们提出了一个计算框架，并分析了定制训练的DL模型（Yolov8）的有效性（YOLOV8）时，当部署在车辆边缘云层层面体系结构的不同设备和设置中时。我们的主要重点是了解DL模型在分层框架上部署过程中DL模型的准确性和执行时间之间的相互作用和关系。因此，我们通过在计算框架的每一层上通过Yolov8模型的部署过程来研究准确性和时间之间的权衡。我们考虑CCAM基础架构，即每一层的感觉设备，计算和通信。调查结果表明，部署的DL模型的性能指标结果（例如，0.842 map@0.5）保持一致，无论跨框架的任何层中的设备类型如何。但是，我们观察到，当DL模型遭受不同的环境条件时，对象检测任务的推理时间往往会减少。例如，Jetson AGX（非GPU）通过将推理时间减少72％来优于Raspberry Pi（non-GPU），而Jetson AGX Xavier（GPU）优于将Jetson AGX ARMV8（non-GPU）减少90％。在论文中提供了转移时间，预处理时间和设备的总时间Apple M2 Max，Intel Xeon，Tesla T4，Nvidia A100，Tesla V100等。我们的发现指示研究人员和从业人员选择最合适的设备类型和环境，以部署生产所需的DL模型。
使用Inception V3
数据集中的每个图像的卷积。然后，他们使用LVQ算法进行图像分类和疾病检测。在他们的研究中，他们得出的结论是，使用CNN的LVQ算法有效地对番茄叶疾病的类型进行了分类。Halil Durmus等。 al。 [5]在他们的研究中，试图在硬件Nvidia Jetson TX1上的两个体系结构的帮助下进行疾病检测。 在他们的研究中，他们得出的结论是，Alexnet不适合在移动设备上进行疾病检测，因为Alexnet开发的模型非常笨重，大小为227.6 mbyte，而在Squeezenet架构上开发的模型非常小，大小为2.9Mbyte，大小为2.9mbyte，并且在推断时间的范围也有很大改善。 因此，Squeezenet是Nvidia Jetson TX1等移动设备的最佳架构。 U. Atila等。 al。 [6]试图将最新的深神经净结构与有效网络深度学习结构进行比较，以检测Google云环境中的植物叶子疾病的检测。 他们发现准确性有效网络体系结构比其他CNN体系结构更好，精度为99.97％。 有效网络的精度也比其他CNN体系结构更好。Halil Durmus等。al。[5]在他们的研究中，试图在硬件Nvidia Jetson TX1上的两个体系结构的帮助下进行疾病检测。在他们的研究中，他们得出的结论是，Alexnet不适合在移动设备上进行疾病检测，因为Alexnet开发的模型非常笨重，大小为227.6 mbyte，而在Squeezenet架构上开发的模型非常小，大小为2.9Mbyte，大小为2.9mbyte，并且在推断时间的范围也有很大改善。因此，Squeezenet是Nvidia Jetson TX1等移动设备的最佳架构。U. Atila等。 al。 [6]试图将最新的深神经净结构与有效网络深度学习结构进行比较，以检测Google云环境中的植物叶子疾病的检测。 他们发现准确性有效网络体系结构比其他CNN体系结构更好，精度为99.97％。 有效网络的精度也比其他CNN体系结构更好。U. Atila等。al。[6]试图将最新的深神经净结构与有效网络深度学习结构进行比较，以检测Google云环境中的植物叶子疾病的检测。他们发现准确性有效网络体系结构比其他CNN体系结构更好，精度为99.97％。有效网络的精度也比其他CNN体系结构更好。