圖像處理 – NVIDIA 技術博客

研究揭示了用于理解神經活動和運動控制的突破性深度學習工具

Tue, 18 Jul 2023 05:56:17 +0000

神經科學領域的一個主要目標是了解大腦如何控制運動。通過改進姿勢估計，神經生物學家可以更精確地量化自然運動，進而更好地了解驅動自然運動的神經活動。這增強了科學家表征動物智力、社交和健康的能力。哥倫比亞大學的研究人員最近開發了一個以視頻為中心的深度學習包，可以從視頻中更有力地跟蹤動物的運動，這有助于： Lightning Pose 是一個工具，可以在 PyTorch Lightning 中用于訓練深度學習模型，以標記圖像和未標記視頻，并使用 NVIDIA 的 DALI 在 GPU 上對其進行解碼和處理。在這篇博客文章中，您將看到當代計算機視覺架構如何從開源的 GPU 加速視頻處理中受益。用于視頻中自動姿勢跟蹤的深度學習算法最近在神經科學中引起了廣泛關注。‌標準方法包括在一組注釋圖像上以完全監督的方法訓練卷積網絡。‌ 大多數卷積架構都是為處理單個圖像而構建的，

Source

]]>

使用 CV-CUDA 提高基于人工智能的計算機視覺的吞吐量并降低成本

Thu, 04 May 2023 03:41:08 +0000

涉及基于人工智能的實時云規模應用程序計算機視覺正在迅速增長。用例包括圖像理解、內容創建、內容審核、映射、推薦系統和視頻會議。然而，由于對處理復雜性的需求增加，這些工作負載的計算成本也在增長。從靜止圖像到視頻的轉變現在也正在成為消費者互聯網流量的主要組成部分。鑒于這些趨勢，迫切需要構建高性能但具有成本效益的計算機視覺工作負載。基于人工智能的計算機視覺管道通常涉及圍繞人工智能推理模型的數據預處理和后處理步驟，這可能占整個工作負載的 50-80% 。這些步驟中常見的運算符包括以下內容：雖然開發人員可能會使用 NVIDIA GPU 來顯著加速他們管道中的人工智能模型推理，但預處理和后處理仍然通常使用基于 CPU 的庫來實現。這導致整個人工智能管道的性能出現瓶頸。通常是人工智能圖像或視頻處理管道一部分的解碼和編碼過程也可能在 CPU 上受到瓶頸，影響整體性能。

Source

]]>

Exelon 使用網格基礎設施的合成數據生成來自動化無人機檢查

Mon, 01 May 2023 02:19:22 +0000

大多數無人機檢查仍然需要人工手動檢查視頻中的缺陷。如果沒有針對每一個可能的缺陷的大量標記數據庫，訓練計算機視覺模型來自動化檢查是很困難的。在最近的一個NVIDIA GTC會議，我們分享了 Exelon 如何在 NVIDIA Omniverse 中使用合成數據生成來自動創建數千個各種網格資產缺陷的標記、照片真實感示例。這篇文章強調了如何使用合成圖像來訓練實時無人機檢查的檢查模型，從而實現更好的網格維護，提高可靠性和彈性。 Exelon 是美國最大的受監管電力公司，為伊利諾伊州、馬里蘭州、賓夕法尼亞州、特拉華州、新澤西州和華盛頓特區的 1000 多萬客戶提供服務。在其下方清理路徑該能源供應商計劃到 2030 年減排 50% ，到 2050 年實現凈零排放。我們確定了多種好處，包括減少工作人員的現場危險，減少審查圖像的體力勞動，以及加快從圖像捕獲到缺陷解決的時間線，

Source

]]>

基于 NVIDIA 的 PC 端到端人工智能：從 FP32 過渡到 FP16 優化人工智能

Thu, 27 Apr 2023 03:07:59 +0000

這篇文章是關于人工智能端到端優化。人工智能模型的性能在很大程度上受到所使用計算資源的精度的影響。較低的精度可以提高處理速度和減少內存使用，而較高的精度可以獲得更準確的結果。在精度和性能之間找到正確的平衡對于優化人工智能應用程序至關重要。 NVIDIA GPU 配備了 Tensor Core 等專用硬件，已成為加速人工智能工作負載的關鍵組件。為了充分利用它們的功能，重要的是要滿足某些限制，并基于特定的人工智能應用程序優化硬件。在這篇文章中，我們討論了如何通過從 FP32 （單精度浮點格式）轉換到 FP16 （半精度浮點數格式）來優化 AI 的 GPU 。我們介紹了使用 FP16 的優勢、轉換模型的方法，以及這種轉換對人工智能應用程序的質量和性能的影響。從 ONNX 格式的簡單未優化模型開始。 Nsight Systems 的配置文件顯示，

Source

]]>