Jetsonビデオ処理プログラミング　第9話ディープラーニング推論 - 半導体事業

条件を指定して絞り込む

現在1886件がヒットしています。check

設計 AI・人工知能ソフトウェアマイコン・プロセッサー・DSP モジュール NVIDIA

今回はJetson上にディープラーニング推論を実装する方法について説明いたします。これに関しては、ぜひともTensorRTをご使用いただきたいのですが、その他の選択肢も以下の表にまとめてみました。

[Jetsonビデオ処理プログラミング]

第1話　NVIDIA提供 JetPackとSDKでできること

第2話　ビデオ入力（CSI接続のLibargus準拠カメラ）

第3話　ビデオ入力（USB接続のV4L2準拠カメラ）

第9話　ディープラーニング推論

API	プログラミング言語	コメント
NVIDIA TensorRT	C++ Python	JetsonおよびNVIDIA社GPUカード向け高速推論エンジンディープラーニングフレームワークで学習したモデルをTensorRT形式へ変換して使用 DLAなどのアクセラレーターにも対応
NVIDIA cuDNN	C	ディープニューラルネットワークを処理するCUDAライブラリーほとんどのディープラーニングフレームワークは、それらの内部からこのライブラリー呼び出しているが、ユーザーアプリケーションから直接、cuDNN APIを呼び出して利用することも可能。
TensorFlow	Python	主に学習用であるが、推論用に利用することも可能。
PyTorch	Python	主に学習用であるが、推論用に利用することも可能。

TensorRTの利用

TensorRTを使うためには、学習済みモデルをTensorRT形式（TensorRTシリアライズドエンジンまたはTensorRTプランファイルと呼ばれます）へ変換する必要があります。

TensorRT形式へ変換可能なモデル形式は複数存在しますが、学習済みモデルの共通形式であるONNXをサポートしていますので、このONNX形式を介して変換をおこなうことが一般的です。

TensorRTの利用方法に関する詳細を5話連載の記事およびサンプルコードでご用意しています。ぜひご覧ください。

ディープラーニング推論の高速化術
第1話　NVIDIA TensorRTの概要
第2話　NVIDIA TensorRTの使い方 ONNX編
第3話　NVIDIA TensorRTの使い方 torch2trt編
第4話　NVIDIA TensorRTの使い方 TensorRT API編
第5話　NVIDIA TensorRTカスタムレイヤーの作り方

cuDNNの利用

cuDNN APIを利用することで、ニューラルネットワークをユーザーが詳細に定義できます。ただし、学習済みの重み値やバイアス値もユーザーがcuDNNのAPIを利用して設定する必要がありますので、プログラミング工数は大きくなります。特殊な処理層をユーザーが定義したい場合などに限ってcuDNNを直接利用すべきで、通常は先に紹介いたしましたTensorRTを利用すべきと考えます。

cuDNNサンプルプログラム

cuDNN 8.xの場合、Jetson上の以下のディレクトリーにサンプルプログラムが存在します。

/usr/src/cudnn_samples_v8

サンプル	内容
conv_sample	畳み込み層処理関数使用例
mnistCUDNN	cuDNNを利用したMNIST
multiHeadAttention	Multi-head attention APIの使用例
RNN	再起型ニューラルネットワークの処理例
RNN_v8.0	再起型ニューラルネットワークの処理例