آموزش BOOTCAMP برای پروژه های TensorRT-ONNX 12+ و پایتون

برای چه کسانی، این دوره بسیار توصیه می شود:

این دوره عمدتاً برای هر دانش آموز (دانشجو، مهندس، متخصص) که انگیزه زیادی برای یادگیری آموزش مدل یادگیری عمیق و استقرار دارند در نظر گرفته می شود. داوطلبان دانش عمیقی از داکر، استفاده از مدل های TENSORFLOW، PYTORCH، KERAS با DOCKER خواهند داشت. علاوه بر این، آنها قادر خواهند بود مدل‌های یادگیری عمیق را با فریم‌ورک‌های ONNX و TensorRT برای استقرار در بخش‌های مختلف مانند دستگاه‌های لبه (nvidia jetson nano، tx2، agx، xavier، qualcomm rb5، rasperry pi، ذرات فوتون/فوتون2) بهینه‌سازی کنند. ) ، AUTOMATIVE، ROBOTICS و همچنین محاسبات ابری از طریق AWS، AZURE DEVOPS، GOOGLE CLOUD، VALOHAI، SNOWFLAKES.

استفاده از TensorRT و ONNX در دستگاه‌های Edge:

دستگاه‌های Edge شتاب‌دهنده سخت‌افزاری داخلی با gpu nvidia هستند که امکان تسریع استنتاج بلادرنگ را 20 برابر سریع‌تر برای دستیابی به عملکرد سریع و دقیق فراهم می‌کند.

1. nvidia jetson nano, tx2, agx, xavier : jetpack 4.5/4.6 cuda accelerative libraries

2. Qualcomm rb5 همراه با دوربین Monoculare و Stereo Vision (CSI/MPI، دوربین USB)

3. ذرات فوتون/فوتون2 اینترنت اشیا به منظور دستیابی به Web API، از طریق سیستم‌های تشخیص گفتار، برای خانه هوشمند

4. رباتیک: بسته‌های سیستم‌های عملیاتی ربات برای دوربین‌های تک چشمی و استریو ویژن، به منظور آرامش سه بعدی، برای ردیابی و تعقیب انسان، هدف غیرعادی و تشخیص نویز مانند (صدای اسلحه، نویز پس‌زمینه بسیار بالا)

5. Rasperry Pi 3A/3B/4B gpu OpenGL مبتنی بر کامپایلر

استفاده از TensorRT و ONNX در دستگاه های رباتیک:

1. نمای کلی دستگاه‌های Nvidia و زبان کامپایلر Cuda

2. دانش کلی OpenCL و OpenGL

3. آموزش و نصب Docker از ابتدا

4. آماده سازی DockerFiles، Docker Compose و همچنین Docker Compose Debug فایل

5. پیاده سازی و کدهای پایتون از طریق نوت بوک Jupyter و همچنین کد ویژوال استودیو

6. پیکربندی و نصب بسته های پلاگین در کد ویژوال استودیو

7. آموزش، نصب و پیکربندی فریمورک هایی مانند Tensorflow، Pytorch، Kears با تصاویر docker از ابتدا

8. پیش پردازش و آماده سازی مجموعه داده های یادگیری عمیق برای آموزش و آزمایش

9. OpenCV DNN

10. آموزش، آزمایش و اعتبار سنجی چارچوب های یادگیری عمیق

11. تبدیل مدل های از پیش ساخته شده به Onnx و Onnx Inference بر روی تصاویر

12. تبدیل مدل onnx به موتور TensorRT

13. استنتاج موتور TensorRT روی تصاویر و ویدیوها

14. مقایسه معیارهای به دست آمده و نتیجه بین TensorRT و Onnx Inference

15. خود را برای استنتاج برنامه نویسی شی گرا پایتون آماده کنید!

16. دانش عمیق در مورد مدل های بزرگ Yolov5 P5 و P6

17. دانش عمیق در معماری Yolov5/YoloV6 و موارد استفاده از آنها

18. مهارت کدنویسی عمیق نظری و عملی در مقاله تحقیقاتی مدلهای کوچک و بزرگ Yolov7/Yolov8

19. دانش TensorRT را برای آزمون‌های سطح مبتدی تقویت کنید

20. دانش TensorRT را برای آزمون‌های سطح متوسط ​​تقویت کنید

21. دانش TensorRT را برای آزمون‌های سطح پیشرفته تقویت کنید

22. تقویت درایورهای انویدیا برای مبتدی/متوسط/آزمون‌های نظری عملی پیشرفته

23. تقویت زمان اجرای Cuda برای مبتدی/متوسط/آزمایشات نظری عملی پیشرفته

24. دانش OpenCV-ONNX خود را با انجام آزمون‌های نظری عملی ترکیبی تقویت کنید

25. مهارت های کدنویسی ONNX مبتدی و پیشرفته پایتون برای تنظیم خودکار فراپارامترها و ورودی های مدل Yolov8 ONNX (پردازش سریع تصویر یا ویدیو قبل از ارسال) برای تشخیص و تقسیم بندی معنایی

26. یادگیری Deep Reinforcement با مثال عملی و برنامه نویسی عمیق پایتون مانند Game of Frozen Lake، Drone of Lunar Lader و غیره

27. مدل های سفارشی آموزش مبتدی، متوسط ​​در مقابل انتقال پیشرفته

28. طبقه بندی اشیاء مبتدی، متوسط ​​در مقابل پیشرفته

29. مبتدی، محلی سازی و تشخیص اشیاء متوسط ​​در مقابل پیشرفته

30. تقسیم بندی تصویر مبتدی، متوسط ​​در مقابل پیشرفته