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

BOOTCAMP for TensorRT-ONNX 12+ projects and Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره کامل کامل TensorRT در مقابل ONNX. با دانش منحصر به فرد پیشرفته استخدام شوید 1. Docker چیست و نحوه استفاده از Docker و کاربرد عملی آنها 2. Kubernet چیست و نحوه استفاده با Docker و کاربرد عملی آنها 3. Nvidia SuperComputer و Cuda زبان برنامه نویسی و کاربرد عملی آنها 4. چیست؟ OpenCL و OpenGL هستند و زمان استفاده و کاربرد عملی آنها 6. (LAB) Tensorflow/TF2 و نصب Pytorch، پیکربندی با DOCKER 7. (LAB)DockerFile، Docker Compile و Docker Compose پیکربندی فایل اشکال زدایی 8. (LAB)نسخه مختلف YOLO 9. (LAB) ویرایشگر نوت بوک Jupyter و همچنین مهارت های برنامه نویسی ویژوال استودیو 10. (LAB) راه اندازی کد ویژوال استودیو و اشکال زدایی داکر با VS 11. (LAB) چه زمانی از کدام نسخه YOLO استفاده کنید. چارچوب ONNX است و نحوه استفاده از application onnx برای مشکلات سفارشی شما 11. (LAB) TensorRT Framework چیست و نحوه استفاده از آن برای مشکلات سفارشی شما چیست 12. (LAB) تشخیص سفارشی، طبقه بندی، مشکلات تقسیم بندی و استنتاج بر روی تصاویر و ویدیوها 13 (LAB) برنامه نویسی شی گرا Python3 14. (LAB) برنامه نویسی زبان Pycuda 15. (LAB) مهارت های حل مسئله یادگیری عمیق در دستگاه های لبه و محاسبات ابری 16. (LAB) نحوه تولید مدل های استنتاج با کارایی بالا، به منظور به دست آوردن. دقت بالا، تشخیص FPS و همچنین مصرف کمتر حافظه gpu 17. (LAB) کد ویژوال استودیو با داکر 18. (چالش آزمایشگاهی) استنتاج yolov4 onnx با opencv dnn 19. (چالش LAB) استنتاج yolov5 onnx با opencv dnn 20.(LAB چالش) استنباط yolov5 onnx با Opencv DNN 21. (چالش LB) استنباط yolov5 onnx با TensorRT و Pycuda 22. (LAB) طبقه بندی تصویر ResNet با TensorRT و Pycuda 23. (LAB) استنباط yolov5 onnx روی فریم های ویدیویی و Pycuda 2. (LAB) خود را برای استنتاج برنامه نویسی شی گرا پایتون آماده کنید! 25. (LAB) وراثت پایتون OOP بر اساس تشخیص شیء YOLOV7 26. دانش تئوریک عمیق در مورد تشخیص اهداف کوچک و پوشش تصویر 27. بینش عمیق در معماری های Yolov5/Yolov6/Yolov7/Yolov8 و 28 کاربرد عملی در Yolov5. مدل‌های P6 و کاربرد عملی آن‌ها 29. تفاوت‌های کلیدی: اندازه دسته صریح و ضمنی 30. (نظریه) آموزش نمایه بهینه‌سازی TenSorRT 31. (نظریه) دانش TensorRT را تقویت کنید آزمون‌های سطح مبتدی 32. (تئوری چالش برای سطح رسانه‌ای) آزمون‌ها 33. چالش تئوری) آزمون‌های TensorRT دانش برای آزمون‌های سطح پیشرفته 34. (چالش تئوری) زمان اجرای Cuda برای مبتدی/متوسط/آزمایش‌های عملی و نظری پیشرفته 35. (چالش تئوری) با انجام دادن OpenCV-ON عملی خود را تقویت کنید. آزمونها 36. (دانش نظری عمیق) استنتاج ورودی و خروجی مدل YoloV8 ONNX 37. (دانش عمیق نظری) استفاده از مدل YoloV8 و بخشهای کاربردی. 38. (دانش عمیق عملی) YoloV8 ONNX Model for Detection and Segmentation 39. (Bonus Lecture) تسلط بر یادگیری تقویتی عمیق با تمرینات پیشرفته

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.

nvidia jetson nano, tx2, agx, xavier : jetpack 4.5/4.6 cuda accelerative libraries
Qualcomm rb5 همراه با دوربین Monoculare و Stereo Vision (CSI/MPI، دوربین USB)
ذرات فوتون/فوتون2 اینترنت اشیا به منظور دستیابی به Web API، از طریق سیستم‌های تشخیص گفتار، برای خانه هوشمند
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)
Rasperry Pi 3A/3B/4B gpu OpenGL مبتنی بر کامپایلر

استفاده از TensorRT و ONNX در دستگاه های رباتیک:

نمای کلی دستگاه‌های Nvidia و زبان کامپایلر Cuda
دانش کلی OpenCL و OpenGL
آموزش و نصب Docker از ابتدا
آماده سازی DockerFiles، Docker Compose و همچنین Docker Compose Debug فایل
پیاده سازی و کدهای پایتون از طریق نوت بوک Jupyter و همچنین کد ویژوال استودیو
پیکربندی و نصب بسته های پلاگین در کد ویژوال استودیو
آموزش، نصب و پیکربندی فریمورک هایی مانند Tensorflow، Pytorch، Kears با تصاویر docker از ابتدا
پیش پردازش و آماده سازی مجموعه داده های یادگیری عمیق برای آموزش و آزمایش
OpenCV DNN
آموزش، آزمایش و اعتبار سنجی چارچوب های یادگیری عمیق
تبدیل مدل های از پیش ساخته شده به Onnx و Onnx Inference بر روی تصاویر
تبدیل مدل onnx به موتور TensorRT
استنتاج موتور TensorRT روی تصاویر و ویدیوها
مقایسه معیارهای به دست آمده و نتیجه بین TensorRT و Onnx Inference
خود را برای استنتاج برنامه نویسی شی گرا پایتون آماده کنید!
دانش عمیق در مورد مدل های بزرگ Yolov5 P5 و P6
دانش عمیق در معماری Yolov5/YoloV6 و موارد استفاده از آنها
مهارت کدنویسی عمیق نظری و عملی در مقاله تحقیقاتی مدلهای کوچک و بزرگ Yolov7/Yolov8
دانش TensorRT را برای آزمون‌های سطح مبتدی تقویت کنید
دانش TensorRT را برای آزمون‌های سطح متوسط تقویت کنید
دانش TensorRT را برای آزمون‌های سطح پیشرفته تقویت کنید
تقویت درایورهای انویدیا برای مبتدی/متوسط/آزمون‌های نظری عملی پیشرفته
تقویت زمان اجرای Cuda برای مبتدی/متوسط/آزمایشات نظری عملی پیشرفته
دانش OpenCV-ONNX خود را با انجام آزمون‌های نظری عملی ترکیبی تقویت کنید
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
یادگیری Deep Reinforcement با مثال عملی و برنامه نویسی عمیق پایتون مانند Game of Frozen Lake، Drone of Lunar Lader و غیره
مدل های سفارشی آموزش مبتدی، متوسط در مقابل انتقال پیشرفته
طبقه بندی اشیاء مبتدی، متوسط در مقابل پیشرفته
مبتدی، محلی سازی و تشخیص اشیاء متوسط در مقابل پیشرفته
تقسیم بندی تصویر مبتدی، متوسط در مقابل پیشرفته