NVIDIA जेटसन ओरिन नॅनो डेव्हलपर किट
सादर करत आहोत NVIDIA® Jetson Orin™ Nano Developer Kit
NVIDIA® Jetson Orin™ नॅनो डेव्हलपर किट एंट्री-लेव्हल AI-शक्तीवर चालणारे रोबोट्स, स्मार्ट ड्रोन आणि बुद्धिमान कॅमेरे तयार करण्यासाठी एक नवीन मानक सेट करते आणि NVIDIA जेटसन प्लॅटफॉर्मसह प्रारंभ करणे सोपे करते. Jetson Orin Nano Developer Kit 40 TOPS पर्यंत कॉम्पॅक्ट फॉर्म फॅक्टरमध्ये IO कनेक्टर्सच्या संपूर्ण श्रेणीसह क्लास-लीडिंग परफॉर्मन्स देते आणि तुमच्या दूरदर्शी संकल्पनांना प्रत्यक्षात आणण्यासाठी ते परिपूर्ण विकासक किट बनवते. NVIDIA Jetson Orin Nano खालील प्रमुख फायदे देते:
- मागील पिढीतील NVIDIA® Jetson Nano™ ची AI कामगिरी 80X पर्यंत.
- ट्रान्सफॉर्मर्स आणि प्रगत रोबोटिक्स मॉडेल्ससह विविध प्रकारच्या AI मॉडेल्सचे समर्थन करते.
- NVIDIA AI सॉफ्टवेअर स्टॅकसह अधिक जलद टाइम-टू-मार्केट.
डेव्हलपर किटमध्ये जेटसन ओरिन नॅनो 8GB मॉड्यूल आणि संदर्भ वाहक बोर्ड समाविष्ट आहे जे सर्व Jetson Orin Nano आणि Orin NX मॉड्यूलला समर्थन देऊ शकते, जे नेक्स्ट-जेन एज एआय उत्पादनांचे प्रोटोटाइप करण्यासाठी एक आदर्श व्यासपीठ प्रदान करते. Jetson Orin Nano 8GB मॉड्यूलमध्ये NVIDIA® वैशिष्ट्य आहे Ampere GPU (1024 CUDA® कोर आणि 32 थर्ड-जनरेशन टेन्सर कोरसह) आणि 6-कोर ARM CPU, एकाधिक समवर्ती AI ऍप्लिकेशन पाइपलाइन चालवण्यास आणि उच्च अनुमान कामगिरी प्रदान करण्यास सक्षम. डेव्हलपर किटमध्ये समाविष्ट केलेला वाहक बोर्ड कनेक्टर्सच्या विस्तृत श्रेणीसह येतो, ज्यामध्ये दोन MIPI CSI कनेक्टर्सचा समावेश आहे जे 4-लेनपर्यंत कॅमेरा मॉड्यूलला समर्थन देतात, उच्च रिझोल्यूशन आणि फ्रेम दरांना अनुमती देतात.
जेटसन ओरिन नॅनो डेव्हलपर किटची किंमत $499 आहे आणि जगभरातील NVIDIA अधिकृत वितरकांमार्फत खरेदीसाठी उपलब्ध आहे.
विकसक किट सामग्री
- हीट सिंक आणि संदर्भ वाहक बोर्डसह जेटसन ओरिन नॅनो 8GB मॉड्यूल
- डीसी वीजपुरवठा
- 802.11ac/abgn वायरलेस नेटवर्क इंटरफेस कंट्रोलर
- द्रुत प्रारंभ मार्गदर्शक
जेटसन ओरिन नॅनो डेव्हलपर किटची वैशिष्ट्ये
| मॉड्यूल | ओरिन नॅनो 8GB मॉड्यूल |
| GPU | NVIDIA Amp1024 NVIDIA® CUDA® cores आणि ere आर्किटेक्चर 32 टेन्सर कोर |
| CPU | 6-कोर आर्म कॉर्टेक्स-A78AE v8.2 64-बिट CPU 1.5MB L2 + 4MB L3 |
| स्मृती | 8GB 128-बिट LPDDR5 68 GB/s |
| स्टोरेज | microSD स्लॉट द्वारे बाह्य बाह्य NVMe M.2 Key M द्वारे |
सारणी 1 जेटसन ओरिन नॅनो डेव्हलपर किट मॉड्यूल चष्मा
| शक्ती | 7W ते 15W |
टेबल 1 जेटसन ओरिन नॅनो डेव्हलपर किट वाहक बोर्ड चष्मा
| संदर्भ वाहक मंडळ: | |
| कॅमेरा | 2x MIPI CSI-2 22-पिन कॅमेरा कनेक्टर |
| M.2 की M | x4 PCIe Gen 3 |
| M.2 की M | x2 PCIe Gen3 |
| M.2 की ई | PCIe (x1), USB 2.0, UART, I2S, आणि I2C |
| यूएसबी | A Type A: 4x USB 3.2 Gen2 C टाइप करा: डीबग आणि डिव्हाइस मोडसाठी 1x |
| नेटवर्किंग | 1x Gbe कनेक्टर |
| डिस्प्ले | डिस्प्लेपोर्ट 1.2 (+MST) |
| microSD स्लॉट | SDR1 मोड पर्यंत UHS-104 कार्ड |
| इतर | 40-पिन विस्तार शीर्षलेख (UART, SPI, I2S, I2C, GPIO) 12-पिन बटण शीर्षलेख 4-पिन फॅन शीर्षलेख डीसी पॉवर जॅक |
| परिमाण | 100 मिमी x 79 मिमीx 21 मिमी (उंचीमध्ये पाय, वाहक बोर्ड, मॉड्यूल आणि थर्मल सोल्यूशन समाविष्ट आहे) |
तुमचा जेटसन सेट करणे या विभागाचा संदर्भ घ्या ओरिन नॅनो डेव्हलपर किट सहज सेटअप कसे करावे याबद्दल परिशिष्टात
विकसक किट.
एंट्री-लेव्हल एआय ऍप्लिकेशन्ससाठी नवीन कार्यप्रदर्शन मानक
80X पर्यंत उच्च AI कार्यप्रदर्शन
पॉवर-कार्यक्षम जेटसन ओरिन नॅनो 8GB सिस्टम-ऑन-मॉड्यूल (SoM) 40-वॅट पॉवर बजेटमध्ये 8 INT15 TOPS पर्यंत AI कार्यप्रदर्शन देते, जे मागील पिढीच्या Jetson Nano80 पेक्षा 1X स्पीडअप आहे. FP32 सुस्पष्टता आवश्यक असलेल्या ऍप्लिकेशन्ससाठी, Orin Nano 8GB जेटसन नॅनोच्या FP5 CUDA TFLOPS पेक्षा 32X पेक्षा जास्त आणि सहा Arm® A78 CPU कोअरसह, जवळजवळ 7X CPU कार्यप्रदर्शन प्रदान करते. कमी उर्जा आवश्यकता असलेल्या डिझाइनसाठी, विकसक किट पॉवर प्रोसाठी ट्यून केले जाऊ शकतेfile7W इतके कमी आहे. जेटसन ओरिन नॅनो अविश्वसनीय ऊर्जा कार्यक्षमता देते आणि AI कार्यक्षमतेसाठी जेटसन नॅनोपेक्षा जवळजवळ 50X अधिक ऊर्जा कार्यक्षम आहे.
इंडस्ट्री मानक MLPerf बेंचमार्कवर, Jetson AGX Orin ने एप्रिल 2022 मध्ये लॉन्च केले तेव्हा, क्लास इनफरन्स परफॉर्मन्समध्ये सर्वोत्तम कामगिरी केली जी मागील पिढीच्या Jetson AGX Xavier पेक्षा जवळजवळ 5X जास्त होती. तेव्हापासून, JetPack आणि NVIDIA AI स्टॅकमध्ये सतत सॉफ्टवेअर अपग्रेड केल्याबद्दल धन्यवाद, AGX Orin ची पॉवर कार्यक्षमता जवळपास वाढली आहे. 50 टक्के. आम्ही जेटपॅक 54 च्या तुलनेत आम्ही जेटपॅक 5.0.2 वर चालवलेल्या बेंचमार्कवर 5.1.1% पर्यंत कामगिरी सुधारणा पाहिल्या आहेत ज्या आम्ही लवकरच रिलीझ करणार आहोत
तेच NVIDIA AI आर्किटेक्चर जे क्लास-अग्रेसर Jetson AGX Orin मॉड्यूलला सामर्थ्य देते ते आता NVIDIA Jetson Orin Nano प्लॅटफॉर्मद्वारे विकासक आणि AI उत्साही लोकांच्या मोठ्या गटासाठी उपलब्ध आहे. जेटसन ओरिन नॅनो मागील पिढीच्या जेटसन नॅनोच्या तुलनेत लोकप्रिय AI आणि संगणक व्हिजन मॉडेल्सच्या विविध प्रकारांवर जबरदस्त कामगिरी प्रदान करते, ज्यामुळे विकासकांना अधिक कार्यक्षम एंट्री-लेव्हल AI-शक्तीवर चालणारे रोबोट्स, स्मार्ट ड्रोन आणि बुद्धिमान कॅमेरे तयार करता येतात.
एआय आणि रोबोटिक्स ऍप्लिकेशन्समध्ये मोठ्या प्रमाणात वापरल्या जाणार्‍या खाली सूचीबद्ध केलेल्या लोकप्रिय नेटवर्कवर मोजले जाते तेव्हा, जेटसन ओरिन नॅनो 8GB सरासरीने जेटसन नॅनोची कामगिरी जवळजवळ 30X वितरित करते आणि आम्ही सतत ऑप्टिमायझेशन आणि सॉफ्टवेअर अपग्रेडसह ही आघाडी जवळजवळ 45X पर्यंत सुधारण्याची अपेक्षा करतो. JetPack आणि NVIDIA AI स्टॅक दोन्ही.
- NVIDIA PeopleNet v2.3 छाटलेल्या लोकांच्या शोधासाठी, आणि NVIDIA PeopleNet v2.5 सर्वोच्च साठी
अचूकता लोक ओळख - NVIDIA ActionRecognitionNet 2D आणि 3D मॉडेल
- NVIDIA LPRNet परवाना प्लेट ओळखण्यासाठी
- NVIDIA DashCamNet, BodyPoseNet बहु-व्यक्ती मानवी पोझ अंदाजासाठी
- ResNet-50 (२२४×२२४) मॉडेल
व्हिजन एआय आणि संभाषणात्मक एआय मॉडेल्सवरील कामगिरी
2 सापेक्ष कार्यप्रदर्शन लाभ विविध प्रकारच्या उत्पादन-तयार पूर्व-प्रशिक्षित न्यूरल नेटवर्क्स आणि अनुमान मॉडेल्समध्ये मोजलेल्या कामगिरीच्या नफ्याच्या भौमितिक सरासरीचे प्रतिनिधित्व करते.
Jetson Orin Nano वर वरील बेंचमार्क चालवण्याच्या सूचना यामध्ये उपलब्ध आहेत अनुमान बेंचमार्क चालवणे परिशिष्टाचा विभाग.
कटिंग-एज एआय मॉडेल्स चालवते
जेटसन ओरिन नॅनो डेव्हलपर किट 40 TOPS पर्यंत AI कार्यप्रदर्शनासह सर्वात अष्टपैलू एज एआय प्लॅटफॉर्म आहे जे एज एआय ऍप्लिकेशन्समध्ये वापरल्या जाणार्‍या प्रचलित एआय मॉडेल्सनाच नव्हे तर ट्रान्सफॉर्मर्स सारख्या नवीन अत्याधुनिक मॉडेल्सना देखील समर्थन देते जे खूप उत्साह निर्माण करत आहेत. AI उद्योगात. जेटसन ओरिन नॅनो द्वारा समर्थित एज उपकरणे स्थानिक पातळीवर ट्रान्सफॉर्मर एआय मॉडेल्स चालवू शकतात, जी चॅट GPT आणि DALL-E सारख्या आधुनिक जनरेटिव्ह एआय ऍप्लिकेशन्ससाठी आधार आहेत. आधुनिक, मागणी असलेले AI मॉडेल्स स्थानिक पातळीवर ऑन-डिव्हाइस चालवण्याची ही क्षमता विकासकांना डेटासेंटरमधील शक्तिशाली सर्व्हरवर अवलंबून नसलेले उपाय तयार करण्यास सक्षम करते आणि नेटवर्क कनेक्टिव्हिटीपासून स्वतंत्रपणे स्वायत्त ऑपरेशन्ससाठी ही सोल्यूशन्स उपयोजित करते.
ट्रान्सफॉर्मर्स हा न्यूरल नेटवर्क आर्किटेक्चरचा एक प्रकार आहे जो अलिकडच्या वर्षांत लोकप्रिय होत आहे, विशेषत: नैसर्गिक भाषा प्रक्रिया (NLP) कार्यांसाठी. कॉम्प्युटर व्हिजनच्या क्षेत्रात, कंव्होल्युशनल न्यूरल नेटवर्क्स (CNNs) हा अनेक वर्षांपासून प्रबळ दृष्टीकोन आहे. तथापि, NLP मधील ट्रान्सफॉर्मर मॉडेल्सच्या यशामुळे संशोधकांनी अलीकडेच आशादायक परिणामांसह दृष्टीच्या कार्यांसाठी ट्रान्सफॉर्मर मॉडेल्सचा वापर शोधण्यास सुरुवात केली आहे.
ट्रान्सफॉर्मर मॉडेल गोंगाट करणारा डेटा हाताळण्यात, नवीन पूर्वी न पाहिलेला डेटा हाताळण्यात अधिक मजबूत असतात आणि पारंपारिक CNN मॉडेल अचूकता झपाट्याने कमी होत असलेल्या परिस्थितींमध्ये अधिक अचूकता प्रदान करतात. ट्रान्सफॉर्मर मॉडेल मोजणी-भारी असतात आणि त्यांना प्रशिक्षित करण्यासाठी आणि काठावर तैनात करण्यासाठी प्रचंड प्रमाणात मोजणीची आवश्यकता असते. कॉम्प्युटर व्हिजन आणि इतर क्षेत्रांसाठी ट्रान्सफॉर्मर-आधारित मॉडेल्समध्ये संशोधन चालू राहिल्यामुळे आणि नवीन ऑप्टिमाइझ मॉडेल्स तयार होत असल्याने, उत्पादनांची अष्टपैलू आणि शक्तिशाली जेटसन ओरिन लाइन यापैकी अनेक नवीन मॉडेल्स चालवण्यास सक्षम असेल.
डेमो: लोक शोधण्यासाठी ट्रान्सफॉर्मर मॉडेल
तुमच्या Jetson Orin Nano Developer Kit वर PeopleNet D-DETR ट्रान्सफॉर्मर मॉडेल चालवण्यासाठी आम्ही तुमच्यासाठी डेमो पॅकेज केले आहे. NVIDIA NGC वर अनेक ट्रान्सफॉर्मर-आधारित मॉडेल ऑफर करते, ज्यामध्ये डीफॉर्मेबल डीईटीआरवर आधारित या लोक शोध मॉडेलचा समावेश आहे. डीईटीआर (डिटेक्शन ट्रान्सफॉर्मर) ट्रान्सफॉर्मर-आधारित एन्कोडर-डीकोडर आर्किटेक्चरसह CNN-आधारित ऑब्जेक्ट डिटेक्शन मॉडेल्समध्ये वापरल्या जाणार्‍या पारंपारिक क्षेत्र प्रस्ताव नेटवर्क (RPN) च्या जागी बदलते. पीपलनेट ट्रान्सफॉर्मर मॉडेल डिफॉर्मेबल डीईटीआर ऑब्जेक्ट डिटेक्टरवर आधारित आहे ज्यामध्ये फीचर एक्स्ट्रक्टर म्हणून ResNet50 आहे. हे आर्किटेक्चर अटेन्शन मॉड्युल वापरते जे फक्त की s च्या छोट्या संचाला उपस्थित राहतेampसंदर्भाभोवती लिंग बिंदू; हे प्रशिक्षण आणि अनुमान गती अनुकूल करते.
संदर्भ देऊन PeopleNet D-DETR ट्रान्सफॉर्मर मॉडेल चालवा पीपलनेट ट्रान्सफॉर्मर मॉडेल परिशिष्ट मध्ये विभाग
AI विकासाला गती देते
शक्तिशाली NVIDIA Jetson Orin लाइन अपला त्याच सर्वसमावेशक NVIDIA AI सॉफ्टवेअर स्टॅकचा पाठिंबा आहे जो NVIDIA GPU-आधारित डेटासेंटर सर्व्हर, AI वर्कस्टेशन्स, GeForce गेमिंग कॉम्प्युटर आणि उत्पादनांच्या संपूर्ण जेटसन कुटुंबाला सामर्थ्य देतो. NVIDIA AI सॉफ्टवेअर स्टॅकमध्ये विविध प्रकारचे सॉफ्टवेअर डेव्हलपर किट्स (SDK), टूल्स, लायब्ररी, पूर्वप्रशिक्षित मॉडेल्स आणि कंटेनर्स समाविष्ट आहेत जे केवळ AI ऍप्लिकेशनला गती देत नाहीत तर संकल्पना ते उत्पादन उपयोजनापर्यंत अखंड विकास प्रवास सक्षम करतात. तपशीलवार दस्तऐवज, ट्यूटोरियल, एस सह एकत्रित सॉफ्टवेअर स्टॅकample अॅप्लिकेशन्स, कंटेनर्स आणि GitHub repos एज डिप्लॉयमेंटसाठी प्रोडक्शन रेडी एआय अॅप्लिकेशन्स तयार करण्यासाठी अगदी कमी ते कोणतेही AI कौशल्य नसलेल्या डेव्हलपरना सक्षम करते.
NVIDIA AI सॉफ्टवेअर स्टॅक AI ऍप्लिकेशन डेव्हलपमेंट प्रवासाच्या प्रत्येक भागाला गती देण्यासाठी उपाय प्रदान करते, प्रशिक्षण AI मॉडेल्समध्ये वापरल्या जाणार्‍या डेटा निर्मितीसाठी NVIDIA Omniverse Replicator, NVIDIA TAO जे AI मॉडेल्सचे वास्तविक प्रशिक्षण आणि ऑप्टिमायझेशन सुलभ करते, आणि NVIDIA सारख्या साधनांसह सुरू होते. AI मॉडेल तैनातीसाठी TensorRT. डोमेन-विशिष्ट SDKs जसे की NVIDIA DeepStream, NVIDIA Riva, NVIDIA Isaac आणि इतर एंड-टू-एंड वर्कफ्लो आणि ऍप्लिकेशन्सच्या विकासात मदत करतात. NVIDIA विकासकांसाठी नवीन क्षमता आणण्यासाठी त्याच्या AI सॉफ्टवेअर स्टॅकमध्ये सतत गुंतवणूक करते.
एआय मॉडेल डेव्हलपमेंट
एआय मॉडेलची अचूकता प्रशिक्षणासाठी वापरल्या जाणार्‍या डेटाची मात्रा आणि गुणवत्तेवर मोठ्या प्रमाणात अवलंबून असते. वेगवेगळ्या परिस्थितींमध्ये मोठ्या प्रमाणात डेटा गोळा करणे आणि नंतर त्यांना प्रशिक्षणासाठी लेबल करणे हे एक कठीण काम आहे आणि बाजारपेठेसाठी वेळ कमी होतो. NVIDIA सर्वव्यापी प्रतिकृती सिंथेटिक डेटा निर्मितीसाठी मॉडेल प्रशिक्षणाला चालना देण्यासाठी उच्च-गुणवत्तेचा डेटासेट तयार करण्यात मदत होते. सिंथेटिक डेटासह तयार केलेले किंवा वाढवलेले डेटासेट NVIDIA सह अखंडपणे कार्य करतात ट्रेन-अॅडॉप्ट-ऑप्टिमाइझ (TAO) टूलकिट एक सानुकूल मॉडेल किंवा अनेकांपैकी एक द्रुतपणे प्रशिक्षित करण्यासाठी आणि ऑप्टिमाइझ करण्यासाठी पूर्व प्रशिक्षित मॉडेल (PTM) NGC™ (NVIDIA GPU क्लाउड) वर होस्ट केलेले.
अलीकडील NVIDIA TAO रिलीझने AutoML साठी समर्थन जोडले जे विकसकांना मॅन्युअली फाइन-ट्यूनिंग शेकडो पॅरामीटर्सचा त्रास न घेता सहजपणे AI मॉडेल्सचे प्रशिक्षण देण्यास सक्षम करते, अशा प्रकारे मॉडेल ऑप्टिमाइझ करण्यासाठी लागणारा वेळ लक्षणीयरीत्या कमी करते. नवीनतम प्रकाशनाने विकासकांना त्यांचे स्वतःचे मॉडेल आणण्यास आणि कोणत्याही ओपन-सोर्स ONNX (ओपन न्यूरल नेटवर्क एक्सचेंज) मॉडेलला TAO- सुसंगत मॉडेलमध्ये रूपांतरित करण्यास सक्षम केले. हे प्रकाशन विकासकांना REST API द्वारे TAO टूलकिट सेवांमध्ये प्रवेश करण्यास सक्षम करते ज्यामुळे त्यांना त्यांच्या AI मॉडेल लाइफसायकलमध्ये TAO समाकलित करणे सोपे होते.
शक्तिशाली सॉफ्टवेअर डेव्हलपर किट्स
NVIDIA AI सॉफ्टवेअर स्टॅक विविध SDK सह येतो जे विकसकांना पूर्णपणे प्रवेगक AI अॅप्लिकेशन्स सहज तयार करण्यात मदत करतात. दृष्टी, रोबोटिक्स आणि संभाषणात्मक एआय विकसित करण्यात मदत करणारे तीन प्रमुख SDK खाली हायलाइट केले आहेत.
NVIDIA डीपस्ट्रीम SDK अनुप्रयोग तयार करण्यासाठी जीस्ट्रीमरवर आधारित फ्रेमवर्क प्रदान करते जे रिअल-टाइममध्ये एकाधिक व्हिडिओ प्रवाहांचे विश्लेषण करू शकते. डीपस्ट्रीम फक्त अनुमानापेक्षा अधिक हार्डवेअर प्रवेग ऑफर करते - त्यात हार्डवेअर-प्रवेग समाविष्ट आहे plugins एंड-टू-एंड AI पाइपलाइन प्रवेग साठी. SDK मध्ये आता डीपस्ट्रीम पाइपलाइन्स फ्लायवर नियंत्रित करण्यासाठी REST API साठी समर्थन समाविष्ट आहे, ज्यामुळे तुमच्या ऍप्लिकेशन्ससह एकत्रित करणे सोपे होईल. वापरण्यास-सोप्या UI सह अद्ययावत आलेख संगीतकार तुम्हाला अगदी कमी ते कोड नसलेल्या एंड-टू-एंड डीपस्ट्रीम पाइपलाइन तयार करू देतो, ज्यामुळे अॅप्लिकेशन डेव्हलपमेंटची जटिलता कमी होते आणि मार्केटमध्ये आणखी एक कपात करता येते.
NVIDIA रिवा समाविष्ट आहे अत्याधुनिक पूर्व-प्रशिक्षित मॉडेल ऑटोमॅटिक स्पीच रेकग्निशन (ASR) आणि टेक्स्ट-टू-स्पीच (TTS) साठी. हे पूर्व-प्रशिक्षित मॉडेल्स अत्यंत अचूक आहेत आणि इच्छित डोमेन, उच्चार, भाषा आणि वापर प्रकरणांमध्ये अचूकता सुधारण्यासाठी सहजपणे सानुकूलित केले जाऊ शकतात. Rivanow चे अलीकडील रिलीझ 14 भाषांना समर्थन देते ज्यात आणखी जोडणे सुरू ठेवण्याची योजना आहे. आम्ही फास्ट कॉन्फॉर्मरसाठी समर्थन जोडले जे मानक कॉन्फॉर्मरच्या तुलनेत 2.4x अनुमान गती आणि 1.8x प्रशिक्षण गती प्रदान करते. आम्ही आमचे मॉडेल अधिक आवाज मजबूत केले आहेत ज्यामुळे गोंगाट करणाऱ्या चाचणी सेटवर अचूकतेमध्ये 20% सुधारणा झाली आहे. नवीनतम प्रकाशन भाषांतर कौशल्याला देखील समर्थन देते. आम्ही 32 भाषांसाठी समर्थनासह उच्च दर्जाचे आउट-ऑफ-द-बॉक्स भाषांतर मॉडेल जोडले आहेत.
NVIDIA Isaac सह एंड-टू-एंड रोबोटिक्स उपयोजन
NVIDIA आयझॅक एंड-टू-एंड रोबोटिक्स विकासासाठी एक व्यासपीठ प्रदान करते. वापरून सिंथेटिक डेटा निर्मितीसह प्रारंभ करा सर्वव्यापी प्रतिकृती. विकसक सहजपणे भिन्न लोक, वस्तू आणि वातावरणासह वास्तववादी दृश्ये तयार करू शकतात, प्रकाश परिस्थिती, रंग आणि ऑब्जेक्ट पोझिशन यादृच्छिक करू शकतात आणि मॉडेल प्रशिक्षणाला गती देण्यासाठी एक मोठा, उत्तम प्रकारे लेबल केलेला डेटासेट आउटपुट करू शकतात. सुरवातीपासून मॉडेल विकसित करण्याऐवजी NVIDIA NGC कडील पूर्व-प्रशिक्षित मॉडेल वापरा आणि मॉडेलला प्रशिक्षित करण्यासाठी आणि ऑप्टिमाइझ करण्यासाठी TAO वापरा.
नंतर फोटोरिअलिस्टिक वातावरणात तुमचा रोबोट शारीरिकदृष्ट्या अचूकपणे नक्कल करण्यासाठी आणि डिजिटल जुळे तयार करण्यासाठी Isaac सिम वापरा. तुम्ही रोबोट ऑपरेशनच्या प्रत्येक पैलूची चाचणी घेऊ शकता - कदाचित ते समज, स्थानिकीकरण, पथ नियोजन, नेव्हिगेशन इत्यादी असू शकते. आपण अशा परिस्थितींचे अनुकरण करू शकता आणि चाचणी करू शकता ज्या वास्तविक जगात पुन्हा तयार करणे देखील शक्य होणार नाही. Isaac Sim च्या 2022.2 च्या रिलीझने लोक आणि कृतींचे अनुकरण करण्यासाठी समर्थन आणले, ज्यामुळे तुम्ही आभासी जगात समज आणि सुरक्षा प्रणाली प्रमाणित करू शकता.
रिलीझने वेअरहाऊस आणि फॅक्टरी वातावरणात रोबोट्सचे पथ नियोजन ऑप्टिमाइझ करण्यासाठी cuOpt साठी समर्थन देखील आणले. याव्यतिरिक्त, नवीनतम रिलीझने ROS 2 Humble साठी समर्थन जोडले आहे जेणेकरुन तुम्ही Isaac सिममध्ये तुमचा Isaac ROS कोड अनुकरण करू शकता.
पुढे, तुम्ही वापरून उच्च कार्यक्षमता रोबोटिक अनुप्रयोग तयार करू शकता NVIDIA आयझॅक ROS, प्रवेगक पॅकेजेसचा संग्रह जो रोबोटिक्स डेव्हलपर त्यांच्या आरओएस पाइपलाइनमध्ये सहजपणे समाकलित करू शकतात. ही आरओएस पॅकेजेस जीपीयू आणि जेटसनवर उपलब्ध असलेल्या इतर हार्डवेअर प्रवेगकांवर प्रवेगक आहेत. नवीनतम रिलीझसह (GTC मार्च 2023 साठी लक्ष्यित), आम्ही ROS विकसकांसाठी सुधारित करण्यासाठी, विस्तारित करण्यासाठी किंवा परत योगदान देण्यासाठी Isaac ROS पॅकेजेस ओपन-सोर्स करत आहोत. वास्तविक वर्कलोड्स अंतर्गत कोणत्याही ROS आलेख आणि बेंचमार्कसाठी बेंचमार्क तयार करण्यासाठी आम्ही एक ROS बेंचमार्किंग फ्रेमवर्क देखील जारी करत आहोत. गर्दीच्या वातावरणात स्वच्छ 3D जाळी निर्माण करण्यासाठी एक अपडेट केलेले Isaac ROS NVBlox पॅकेज जारी केले जात आहे. या आणि इतर सुधारणांसह, आयझॅक आरओएस उच्च कार्यक्षमता रोबोटिक सोल्यूशन निर्मितीसाठी पाया घालत आहे.
डेमो: आयझॅक सिम सिंथेटिक डेटा जनरेशन आणि TAO सह एंड-टू-एंड वर्कफ्लो
हा डेमो तुम्हाला मॉडेल तयार करण्यापासून ते तैनातीपर्यंतच्या संपूर्ण कार्यप्रवाहातून जाण्याचा अनुभव प्रदान करतो. आम्ही NGC कडून पूर्व-प्रशिक्षित लोक विभाजन मॉडेलपासून सुरुवात करतो, ज्याला कॅमेराची विविध उंची, गर्दी-घनता आणि क्षेत्रे यांचा समावेश असलेल्या डेटासेटसह प्रशिक्षण देण्यात आले होते. view (FOV). आम्ही असे निरीक्षण करतो की हे मॉडेल जमिनीपासून जवळच्या रोबोट कॅमेर्‍यावर वापरल्याने अचूकता खराब होते कारण मूळ प्रशिक्षण डेटासेटमध्ये जमिनीपासून जवळचे कॅमेरा अँगल नव्हते.
नवीन कॅमेरा अँगलसह नवीन, मोठा डेटासेट गोळा करणे आणि नंतर प्रत्येक प्रतिमेवर भाष्य करणे यासाठी बरेच दिवस आणि आठवडे लागतील. त्याऐवजी, हा डेमो दृश्ये, वस्तू आणि लोक तयार करण्यासाठी आणि डेटामध्ये अधिक भिन्नतेसाठी यादृच्छिकीकरण जोडण्यासाठी आयझॅक सिममधील सर्वव्यापी प्रतिकृतीचा वापर दर्शवितो. परिणामी सिंथेटिक डेटा आधीच भाष्य केले आहे. हा सिंथेटिक डेटा NVIDIA TAO टूलकिटसह ऑप्टिमाइझ करण्यापूर्वी लोक विभाजन मॉडेलला पुन्हा प्रशिक्षित करण्यासाठी वापरला जातो. त्यानंतर आम्ही जेटसन ओरिन नॅनो डेव्हलपर किटवर प्रशिक्षित मॉडेल तैनात करतो आणि निष्कर्ष काढणारे परिणाम पाहतो: मॉडेल क्लोज-टू-ग्राउंड रोबोट कॅमेरा अँगलसह अचूकपणे कार्य करेल.
सिंथेटिक डेटा निर्मितीसाठी आयझॅक सिम, पूर्व-प्रशिक्षित मॉडेल्स आणि NVIDIA TAO सारख्या साधनांसह, आम्ही आमच्या ग्राहकांना AI मॉडेल डेव्हलपमेंट वेळ दिवस आणि आठवड्यांवरून फक्त मिनिटांपर्यंत कमी करून अधिक वेगाने बाजारात येण्यास सक्षम करतो.
संदर्भ देऊन या संपूर्ण कार्यप्रवाहाचा अनुभव घ्या आयझॅक रेप्लिकेटर आणि TAO परिशिष्ट मध्ये विभाग
परिशिष्ट
जेटसन ओरिन नॅनो डेव्हलपर किटसह प्रारंभ करणे
आपण या Re ऍक्सेस करू शकताviewers कडून मार्गदर्शक https://developer.nvidia.com/jetson-orin-nano-review
तुमचे जेटसन ओरिन नॅनो डेव्हलपर किट सेट करत आहे
जेटसन ओरिन नॅनो डेव्हलपर किट जेटसन ओरिन नॅनो मॉड्यूलसह येते ज्यामध्ये मायक्रोएसडी कार्ड स्लॉट आहे. डेव्हलपर किट सेट करण्याचा सर्वात सोपा मार्ग म्हणजे NVIDIA JetPack इमेज मायक्रोएसडी कार्डवर बॅलेना एचर सारखे टूल वापरून लिहा आणि नंतर SD कार्ड इमेजसह डेव्हलपर किट बूट करा.
यासाठी रेview, आम्ही एक microSD कार्ड प्रदान केले आहे जे NVIDIA JetPack प्रतिमेसह पूर्व-लिखित आहे. कृपया मायक्रोएसडी कार्ड स्लॉटमध्ये SD कार्ड घाला आणि डेव्हलपर किटवर पॉवर द्या. मायक्रोएसडी कार्ड स्लॉट खाली दाखवल्याप्रमाणे मॉड्यूलच्या खाली आहे.
टीप: आम्ही दिलेली प्रतिमा आहे a "खाजगी" पूर्वview बांधणे या प्रीview बिल्डला पहिल्या बूट दरम्यान प्रारंभिक कॉन्फिगरेशन संवाद दर्शविण्यासाठी एक किंवा अधिक मिनिटे लागतील. विकासक किट, जी GTC 2023 मध्ये घोषणेनंतर लोकांसाठी उपलब्ध केले जातील, त्यात उत्पादन गुणवत्ता बिल्ड असेल जे पहिल्या बूटमध्ये खूप वेगवान असेल. तसेच, या खाजगी बिल्डमध्ये एक समस्या आहे ज्याकडे लक्ष देण्याची गरज आहे. Jetson Orin Nano मध्ये हार्डवेअर एन्कोडरचा समावेश नाही. कृपया जेटसनवर सॉफ्टवेअर एन्कोडर वापरण्यासाठी या विभागाचा संदर्भ घ्या. यामध्ये प्रीview बिल्ड, हार्डवेअर एन्कोडर वापरण्याचा कोणताही प्रयत्न सिस्टीम फ्रीझमध्ये होईल. ही समस्या उत्पादन प्रकाशनात निश्चित केली जाईल. तसेच तुम्हाला उपलब्ध मेमरी म्हणून दाखवले जाईल असे दिसेल 6.3GB या पूर्व मध्येview 8GB ऐवजी तयार करा. हे सुरक्षिततेच्या उद्देशाने कोरलेल्या काही मेमरीमुळे आहे. NVIDIA या समस्येचे निराकरण करेल आणि वापरात नसलेल्या मेमरी कार्व्हआउट्सचा स्वयंचलितपणे पुन्हा दावा करेल.
या प्री वर पहिले बूटview इमेज तुम्हाला प्रारंभिक कॉन्फिगरेशन संवादाद्वारे मार्गदर्शन करेल. साध्या प्रारंभिक सेटअप प्रक्रियेतून जा. प्रारंभिक कॉन्फिगरेशन पूर्ण झाल्यावर आणि डेव्हलपर किट डेस्कटॉपवर बूट झाल्यावर, तुम्ही डेव्हलपर किट एक्सप्लोर करणे सुरू करू शकता.
विकसक किट JetPack 5.1.1 (प्री-रिलीझ) चालवत आहे ज्यामध्ये खालील घटक आहेत:
- CUDA 11.4
- TensorRT 8.5
- cuDNN 8.6
- VPI 2.2
- वल्कन 1.3
- Night Systems 2022.5
- नाइट ग्राफिक्स 2022.6
डेस्कटॉपच्या वर उजवीकडे, पॉवर प्रो आहेfile निवडकर्ता क्लिक केल्यावर, ते विकसक किटसाठी सर्व सॉफ्टवेअर परिभाषित पॉवर मोडचे ड्रॉप-डाउन मेनू प्रदान करते. JetPack सोबत येतो एकाधिक एसamples अंगभूत.
या एसamples एक पूर्व प्रदानview आणि भिन्न JetPack घटकांची क्षमता.
अनुमान बेंचमार्क चालवणे
या बेंचमार्किंगसाठी आवश्यक असलेला “benchmarking.tar.gz” नावाचा टार बॉल येथून डाउनलोड करा येथे आणि टार्बल खाली करा
| $tar -xvf benchmarking.tar.gz |
हे करून बेंचमार्क चालवण्यासाठी आवश्यकता सेट करा:
| $ cd बेंचमार्किंग $ sudo bash install_requirements.sh |
स्वच्छ मापनासाठी, कृपया सिस्टम रीबूट करा आणि नंतर बेंचमार्किंग सुरू करा.
वापरून व्हिजन मॉडेल बेंचमार्क चालवा:
| $ sudo python3 benchmark.py –all –csv_file_path orin_nano_ptm.csv \ –model_dir |
Exampले:
| $ sudo python3 benchmark.py –all –csv_file_path orin_nano_ptm.csv \ –model_dir /home/nvidia/benchmarking/model_engines |
बेंचमार्किंगच्या शेवटी तुम्हाला खालीलप्रमाणेच आउटपुट मिळेल. कृपया लक्षात घ्या की बेंचमार्किंग पूर्ण होण्यासाठी काही मिनिटे लागतील.
| मॉडेल | नाव | FPS | |
| 0 | लोकांचे जाळे | 110.102016 | |
| 1 | action_recog_2d | 382.461916 | |
| 2 | action_recog_3d | 25.946016 | |
| 3 | dashcamnet | 395.563297 | |
| 4 | bodyposen इ | 135.222464 | |
| 5 | lpr_us | 981.867680 | |
पीपलनेट ट्रान्सफॉर्मर मॉडेल चालवा
आम्ही PeopleNet ट्रान्सफॉर्मर मॉडेलसह एक DeepStream कंटेनर तयार केला आहे आणि तो NGC वर होस्ट केला आहे
NGC मध्ये लॉग इन करा
| $ sudo डॉकर लॉगिन nvcr.io |
वापरकर्तानाव "$oauthtoken" आणि पासवर्ड म्हणून द्या
“MnBxcWF2ZWtibGRzNm1yZmx2c3R0ZWx2NGk6NjA1MmM1NjgtZGQxNi00YmJjLWFmNzktOGM5NDg2ODFlMGRj”
याप्रमाणे
वापरकर्तानाव: $oauthtoken
पासवर्ड:
MnBxcWF2ZWtibGRzNm1yZmx2c3R0ZWx2NGk6NjA1MmM1NjgtZGQxNi00YmJjLWFmNzktOGM5NDg2O DFlMGRj
कंटेनर ओढा
| $ sudo डॉकर पुल nvcr.io/ea-linux4tegra/deepstream-reviewers:नवीनतम |
निर्देशिका खेचा
माउंट_डिर नावाचा टार बॉल येथून डाउनलोड करा येथे आणि ते तुमच्या होम डिरेक्टरीमध्ये काढा. या निर्देशिकेत व्हिडिओ आहे files जे अनुमान काढण्यासाठी इनपुट प्रवाह म्हणून काम करेल.
| $ tar -xvf mount_dir.tar.gz -C ${HOME}/ |
निष्कर्ष काढल्यानंतर, तुमच्या होम डिरेक्टरीमध्ये तुमच्याकडे “mount_dir” नावाचे फोल्डर असावे.
कंटेनर चालवा
| $ xhost + $ sudo डॉकर रन -it –rm –name=ds_docker –net=host –runtime nvidia -e \ DISPLAY=$DISPLAY -w /opt/nvidia/deepstream/deepstream-6.2 \ -v /tmp/.X11-unix/:/tmp/.X11-unix -v $HOME/mount_dir:/mount_dir \ nvcr.io/ea-linux4tegra/deepstream-reviewers:नवीनतम |
मॉडेल चालवा
अनुमान काढण्यासाठी कंटेनरच्या आत खालील आदेश चालवा
| $ cd /opt/nvidia/deepstream/deepstream-6.2/samples/configs/deepstream-app-triton $ deepstream-app -c source1_primary_detector_peoplenet_transformer.txt |
कृपया लक्षात घ्या की वरील डीपस्ट्रीम कॉन्फिगरेशन file mount_dir मध्ये इनपुट प्रवाह शोधण्यासाठी सुधारित केले आहे.
हे पीपलनेट डी-डीईटीआर ट्रान्सफॉर्मर मॉडेल सध्या एक FP16 मॉडेल आहे आणि जेटसन ओरिन नॅनोवर 8 FPS वर चालते जे अनेक अनुप्रयोगांसाठी उपयुक्त आहे ज्यांना वास्तविक वेळेची कामगिरी आवश्यक नसते. जेटसन एजीएक्स ओरिनवर मॉडेल सुमारे ३० एफपीएसवर चालते. व्हिजनसाठी ट्रान्सफॉर्मर मॉडेल्सवर संशोधन सुरू असल्याने, ही मॉडेल्स काठावरील कामगिरीसाठी अधिक अनुकूल केली जातील.
NVIDIA Omniverse Replicator आणि TAO
तुमच्यासाठी आयझॅक सिम आणि TAO चालवण्यासाठी आम्ही अंतर्गत क्लाउड उदाहरणे तयार केली आहेत. कृपया येथे आमच्याशी संपर्क साधा जोनरेviewersTeam@nvidia.com तुमच्या क्लाउड उदाहरण क्रेडेंशियलसाठी. या अंतर्गत उदाहरणामध्ये प्रवेश करण्यासाठी, VMWare होरायझन क्लायंट स्थापित करणे आवश्यक आहे. VMWare क्लायंटची कोणतीही आर्म आवृत्ती नसल्यामुळे, आम्ही तुम्हाला तुमच्या स्वतःच्या लॅपटॉप किंवा पीसीचा वापर अंतर्गत क्लाउड इन्स्टन्समध्ये प्रवेश करण्यासाठी आणि तुमच्यासाठी आमच्याकडे असलेल्या वर्कफ्लोद्वारे चालवण्याची विनंती करतो.
सिंथेटिक डेटा निर्मिती आणि मॉडेलचे प्रशिक्षण
तुम्ही कोणताही लॅपटॉप किंवा पीसी (Windows, Linux, Mac किंवा Chromebook) वापरू शकता. कृपया "VMWare Horizon Client to Access Cloud Instance" नावाच्या दस्तऐवजाचा संदर्भ घेऊन सूचनांचे अनुसरण करा. येथे VMWare Horizon क्लायंट स्थापित करण्यासाठी आणि अंतर्गत क्लाउड उदाहरणामध्ये प्रवेश करण्यासाठी आणि वर्कफ्लोद्वारे चालवा. वर्कफ्लो तुम्हाला Omniverse Replicator वापरून सिंथेटिक डेटा व्युत्पन्न करण्यासाठी मार्गदर्शन करेल, नंतर सिंथेटिक डेटावर NGC कडून लोक विभागणी पूर्व-प्रशिक्षित मॉडेलचे प्रशिक्षण आणि ऑप्टिमाइझिंग, आणि नंतर प्रशिक्षित मॉडेल डाउनलोड करेल. एकदा मॉडेल तुमच्या PC वर डाउनलोड झाले की, कृपया एकतर “scp” करून किंवा USB स्टिक सारखे स्टोरेज मीडिया वापरून मॉडेलची Jetson वर कॉपी करा.
जेटसन वर अनुमान काढणे
कृपया तुम्ही क्लाउडमध्ये प्रशिक्षित केलेल्या आणि जेटसनवर कॉपी केलेल्या मॉडेलचे नाव “shuffleseg_exported.etlt” असल्याची खात्री करा.
माउंट_डिर नावाचा टार बॉल येथून डाउनलोड करा येथे आणि ते तुमच्या होम डिरेक्टरीमध्ये काढा (जर तुम्ही इतर डेमोसाठी mount_dir आधीच डाउनलोड केले असेल, तर तुम्ही ते वगळू शकता).
| $ tar -xvf mount_dir.tar.gz -C ${HOME}/ |
या निर्देशिकेत मॉडेल कॉपी करा (जर आधीच अस्तित्वात असेल तर, कृपया ते तुमच्या प्रशिक्षित मॉडेलसह बदला). कृपया लक्षात ठेवा की खालील डीपस्ट्रीम अॅप माउंट_डिर मधील इनपुट प्रवाह आणि मॉडेल शोधेल. खालील आदेशाद्वारे आधीपासून वाचण्याची परवानगी नसल्यास मॉडेल बदला:
| $ chmod +r shuffleseg_exported.etlt |
पुढील सूचनांचे अनुसरण करून डीपस्ट्रीम कंटेनर खेचा. जर तुम्ही आधीच्या डेमोसाठी कंटेनर आधीच खेचला असेल, तर तुम्ही ही पायरी वगळू शकता
NGC मध्ये लॉग इन करा
| $ sudo डॉकर लॉगिन nvcr.io |
वापरकर्तानाव "$oauthtoken" आणि पासवर्ड म्हणून द्या
“MnBxcWF2ZWtibGRzNm1yZmx2c3R0ZWx2NGk6NjA1MmM1NjgtZGQxNi00YmJjLWFmNzktOGM5NDg2ODFlMGRj”
याप्रमाणे
वापरकर्तानाव: $oauthtoken
पासवर्ड:
MnBxcWF2ZWtibGRzNm1yZmx2c3R0ZWx2NGk6NjA1MmM1NjgtZGQxNi00YmJjLWFmNzktOGM5NDg2ODFlMGRj
कंटेनर ओढा
| $ sudo डॉकर पुल nvcr.io/ea-linux4tegra/deepstream-reviewers:नवीनतम |
कंटेनर चालवा
| $ xhost + $ sudo डॉकर रन -it –rm –name=ds_docker –net=host –runtime nvidia -e \ DISPLAY=$DISPLAY -w /opt/nvidia/deepstream/deepstream-6.2 \ -v /tmp/.X11-unix/:/tmp/.X11-unix -v $HOME/mount_dir:/mount_dir \ nvcr.io/ea-linux4tegra/deepstream-reviewers:नवीनतम |
डीपस्ट्रीम इन्फेरेंसिंग चालवा
कंटेनरच्या आत खालील आदेश चालवा.
मूळ मॉडेल
आम्ही प्रथम NGC कडील मूळ मॉडेलवर निष्कर्ष काढू, जे सिंथेटिक डेटासह पूर्व-प्रशिक्षित नव्हते.
| $ cd /opt/nvidia/deepstream_tao_apps
$ ./apps/tao_segmentation/ds-tao-segmentation -e -d \ |
तुम्हाला दिसेल की दोन विंडो पॉप अप होतील. एक इनपुट व्हिडिओ दर्शवित आहे आणि दुसरा खाली दर्शविल्याप्रमाणे लोक विभागणी आउटपुट दर्शवित आहे. मॉडेल अचूकपणे कसे कार्य करत नाही ते आपण पाहू शकता.
सिंथेटिक डेटासह प्रशिक्षित मॉडेल
पुढे तुम्ही सिंथेटिक डेटासह प्रशिक्षित केलेल्या मॉडेलवर अनुमान काढा.
| $ cd /opt/nvidia/deepstream_tao_apps $ ./apps/tao_segmentation/ds-tao-segmentation -e -d -c \ configs/peopleSemSegNet_tao/sdg_shuffle/pgie_unet_tlt_config_peoplesemsegnet_shuffleseg.txt \ -i file:///mount_dir/carter_lower_perspective.mp4 |
तुम्हाला दिसेल की दोन विंडो पॉप अप होतील. एक इनपुट व्हिडिओ दर्शवित आहे आणि दुसरा खाली दर्शविल्याप्रमाणे लोक विभागणी आउटपुट दर्शवित आहे. मूळ मॉडेल चालवताना अनुमान काढण्याच्या आउटपुटच्या तुलनेत, आपण पाहू शकता की सिंथेटिक डेटासह प्रशिक्षित मॉडेल अधिक अचूकपणे कार्य करत आहे. या हेतूने रेview, आम्ही तुमची वाट पाहण्याचा प्रशिक्षण वेळ कमी करण्यासाठी मर्यादित सिंथेटिक डेटासेटसह प्रशिक्षित केले.
मोठ्या सिंथेटिक डेटासेटसह प्रशिक्षित केल्यावर अचूकतेसाठी मॉडेल सुधारले जाऊ शकते.
अतिरिक्त संसाधने
CSI कॅमेरे कनेक्ट करत आहे
जेटसन ओरिन नॅनो डेव्हलपर किट कॅरियर बोर्डवर दोन MIPI CSI-2 4-लेन पोर्ट आहेत. कॅमेरामध्ये 22-पिन कनेक्टर असल्यास तुम्हाला 15-पिन ते 15-पिन कनेक्टरची आवश्यकता असेल. कृपया कॅमेरा पोर्टशी कनेक्ट करताना केबलच्या अभिमुखतेवर खालील प्रतिमा काळजीपूर्वक तपासा.
जेटसन ओरिन नॅनोवर एन्कोडिंग
Jetson Orin Nano कडे NVIDIA हार्डवेअर एन्कोडर (NVENC) नाही पण आमच्याकडे 6-कोर ARM A78AE CPU आहे ज्याद्वारे तुम्ही सॉफ्टवेअर एन्कोडिंग चालवू शकता. तुमच्या पाइपलाइनमध्ये SW एन्कोडिंग चालवण्यासाठी तुम्ही x264 enc वापरू शकता.
खालील आदेश आर्गस API वापरणाऱ्या कॅमेरा प्लगइनमधील इनपुटसह x264enc प्लगइनचा वापर करून H.264 SW एन्कोड दाखवते.
| $ gst-launch-1.0 nvarguscamerasrc ! \ 'व्हिडिओ/एक्स-रॉ(मेमरी:NVMM), रुंदी=(int)1920, उंची=(int)1080, \ स्वरूप=(स्ट्रिंग)NV12, फ्रेमरेट=(अपूर्णांक)30/1'! nvvidconv ! \ video/x-raw, format=I420 ! x264enc! \ h264parse ! qtmux! fileबुडणे \ स्थान =filename_h264.mp4> -e |
तुम्ही डीपस्ट्रीम वापरत असल्यास, तुम्ही सॉफ्टवेअर एन्कोडिंग वापरण्यासाठी एन्कोडर-प्रकार बदलू शकता. उदाample, खाली हायलाइट केलेले पहा
[sink0] #source0 आउटपुट म्हणून fileबुडणेसक्षम = 1
#1=h264 2=h265
कोडेक=1
#encoder प्रकार 0=हार्डवेअर 1=सॉफ्टवेअर
enc-प्रकार = 1
…
WebRTC Webॲप फ्रेमवर्क
हॅलो एआय वर्ल्ड जेटसनवर प्रशिक्षण आणि डीएनएन उपयोजित करण्यासाठी हे एक मुक्त-स्रोत सखोल शिक्षण ट्यूटोरियल आणि लायब्ररी आहे. हे रिअल टाइम अनुमानासाठी TensorRT वापरते आणि विविध कॅमेरा इंटरफेस आणि व्हिडिओ उपकरणांसाठी समर्थनासह वर्गीकरण, शोध, विभाजन, पोझ अंदाज आणि कृती ओळख यासाठी वापरण्यास सुलभ पायथन/C++ API आहेत.
हॅलो एआय वर्ल्डसाठी नवीन म्हणजे कमी विलंब आहे WebRTC लाइव्ह व्हिडीओ स्ट्रीमिंग वरून/पासून web ब्राउझर, अनेक माजी सहampलोकप्रिय पायथन-आधारित सह एकत्रीकरण web फ्लास्क, प्लॉटली डॅश आणि HTML5/JavaScript सह फ्रेमवर्क. हे विकसकांना त्यांचे स्वतःचे परस्परसंवादी द्रुतपणे तयार करण्यास सक्षम करते webबॅकएंडवर जेटसन आणि एज एआय द्वारे समर्थित अॅप्स आणि रिमोट डेटा व्हिज्युअलायझेशन टूल्स.
तुमच्या जेटसन ओरिन नॅनो डेव्हलपर किटवर हॅलो एआय वर्ल्डसह प्रारंभ करण्यासाठी, खालील लिंक पहा:
- https://github.com/dusty-nv/jetson-inference
- डॉकर कंटेनर चालवित आहे
- ट्यूटोरियल चालू Webअॅप फ्रेमवर्क
NVIDIA संपर्क माहिती
कोणतेही प्रश्न जेव्हा पुन्हाviewविकसक किट वापरत आहात? ईमेल जोनरेviewersTeam@nvidia.com
NVIDIA उत्तर/लॅटिन अमेरिका जनसंपर्क
डेव्हिड पिंटो
पीआर मॅनेजर, ऑटोनॉमस मशिन्स
कार्यालय: 408 566 6950
dpinto@nvidia.com
मायकेल लिम
संचालक, विश्लेषक संबंध
कार्यालय: 408 486 2376
mlim@nvidia.com
श्रीधर रामास्वामी
वरिष्ठ संचालक, एंटरप्राइझ टेक्निकल मार्केटिंग
आणि रेviews
सेल: 510 545 3774
sramaswamy@nvidia.com
NVIDIA युरोप जनसंपर्क
| जेन्स Neuschäfer वरिष्ठ PR व्यवस्थापक, एंटरप्राइझ युरोप ऑफिस: +49 89 6283 50015 मोबाइल: +४९ १७२ ७४१२४८० jneuschafer@nvidia.com NVIDIA GmbH Haus 1 वेस्ट, 3रा मजला Flössergasse 2 81369 म्युनिक, जर्मनी |
रिक नेपियर वरिष्ठ तांत्रिक उत्पादन व्यवस्थापक उत्तर युरोप कार्यालय: +44 (118) 9184378 मोबाइल: +44 (7917) 630172 rnapier@nvidia.com NVIDIA UK 100 ब्रूक ड्राइव्ह ग्रीन पार्क वाचन RG2 6UJ |
NVIDIA एशिया/पॅसिफिक जनसंपर्क
| जेफ येन संचालक, तांत्रिक विपणन, APAC ऑफिस : +८८६ ९८७ २६३ १९३ |
मेलडी तू PR संचालक, APAC कार्यालय: +65 93551454
|
| शी शोधत आहे सीनियर टेक्निकल मार्केटिंग मॅनेजर, चीन कार्यालय: +86 75586919016 5F ब्लॉक 8 व्हिसीन बिझनेसपार्क 9 हाय-टेक 9वा साउथ रोड शेन्झेन हाय-टेक इंडस्ट्रीज. पार्क शेन्झेन, ग्वांगडोंग शेन्झेन 518057 चीन |
अॅलेक्स लिऊ पीआर/मार्केटिंग मॅनेजर, चीन कार्यालय: +86 1058661510
|
| काइल किम सीनियर टेक्निकल मार्केटिंग मॅनेजर, कोरिया कार्यालय: +82 2 6001 7186 kylek@nvidia.com |
सनी ली विपणन संचालक, कोरिया कार्यालय: +82 2 6001 7123
|
| काओरी नाकामुरा जनसंपर्क प्रमुख, जपान ऑफिस : +८८६ ९८७ २६३ १९३ ATT नवीन टॉवर 13F |
मसाकी सवाई तांत्रिक विपणन व्यवस्थापक, जपान कार्यालय: +81 3 6743 8717
|
| जॉन गिलूली
तांत्रिक विपणन व्यवस्थापक, एशिया पॅसिफिक दक्षिण कार्यालय: +65 8286 8727 |
तीत सु तांत्रिक विपणन व्यवस्थापक, TASA कार्यालय: +886 2 6605 5430 |
लक्ष द्या
या RE मध्ये प्रदान केलेली सर्व माहितीVIEWER चे मार्गदर्शक, समालोचन, मत, NVIDIA डिझाइन तपशील, संदर्भ मंडळे, FILES, रेखाचित्रे, निदान, याद्या आणि इतर दस्तऐवज (एकत्र आणि स्वतंत्रपणे, "सामग्री") "जसे आहे तसे" प्रदान केले जात आहेत. NVIDIA सामग्रीच्या संदर्भात कोणतीही हमी, व्यक्त, निहित, वैधानिक किंवा अन्यथा कोणतीही हमी देत नाही आणि नॉन-उल्लंघन, व्यापार, सक्षमता या सर्व निहित हमींचा स्पष्टपणे खंडन करते.
दिलेली माहिती अचूक आणि विश्वासार्ह असल्याचे मानले जाते. तथापि, NVIDIA कॉर्पोरेशन अशा माहितीच्या वापराच्या परिणामांसाठी किंवा तिच्या वापरामुळे उद्भवू शकणाऱ्या तृतीय पक्षांच्या पेटंट किंवा इतर अधिकारांच्या कोणत्याही उल्लंघनासाठी कोणतीही जबाबदारी घेत नाही. NVIDIA कॉर्पोरेशनच्या कोणत्याही पेटंट किंवा पेटंट अधिकारांतर्गत कोणताही परवाना अंतर्निहित किंवा अन्यथा मंजूर केला जात नाही. या प्रकाशनात नमूद केलेले तपशील सूचनेशिवाय बदलू शकतात. हे प्रकाशन पूर्वी पुरवलेल्या सर्व माहितीची जागा घेते आणि पुनर्स्थित करते. NVIDIA Corporation उत्पादने NVIDIA Corporation च्या स्पष्ट लेखी मंजुरीशिवाय लाईफ सपोर्ट डिव्हाइसेस किंवा सिस्टममध्ये महत्त्वपूर्ण घटक म्हणून वापरण्यासाठी अधिकृत नाहीत.
ट्रेडमार्क
NVIDIA, NVIDIA लोगो, GeForce, Tegra आणि Jetson हे US आणि इतर देशांमध्ये NVIDIA Corporation चे ट्रेडमार्क आणि/किंवा नोंदणीकृत ट्रेडमार्क आहेत. सर्व हक्क राखीव. इतर कंपनी आणि उत्पादनांची नावे संबंधित कंपन्यांचे ट्रेडमार्क असू शकतात ज्यांच्याशी ते संबंधित आहेत.
कॉपीराइट
© 2023 NVIDIA Corporation. सर्व हक्क राखीव.
कागदपत्रे / संसाधने
 |
NVIDIA जेटसन ओरिन नॅनो डेव्हलपर किट [pdf] वापरकर्ता मार्गदर्शक जेटसन ओरिन नॅनो डेव्हलपर किट, जेटसन ओरिन नॅनो, डेव्हलपर किट, ओरिन नॅनो डेव्हलपर किट, नॅनो डेव्हलपर किट |
