文件名称：瑕疵检测代码-matlab-QuantNetworkOnXavier:QuantNetworkOnXavier
文件大小：10.62MB
文件格式：ZIP
更新时间：2024-06-15 15:07:17
系统开源
瑕疵检测代码-matlab 使用GPU编码器在Jetson AGX Xavier上进行缺陷检测的定量深度神经网络 如何创建，训练和量化网络，然后将其集成到前/后图像处理中，并生成针对Jetson AGX Xavier的CUDA C ++代码 深度学习是解决难题（例如图像分类，分割和检测）的强大方法。 但是，使用深度学习执行推理需要大量的计算，会占用大量内存。 即使是小型网络也需要大量内存和硬件来执行这些算术运算。 这些限制可能会阻止将深度学习网络部署到具有较低计算能力和较小内存资源的设备。 在这种情况下，您可以将深度学习工具箱与深度学习工具箱模型量化库支持包结合使用，以通过将卷积层的权重，偏差和激活量化为8位缩放的整数来减少深度神经网络的内存占用量。数据类型。 然后，您可以使用GPU Coder为量化网络生成优化的CUDA代码。 本示例说明如何创建，训练和量化简单的卷积神经网络以进行缺陷检测，然后演示如何为包括前/后图像处理和卷积神经网络在内的整个算法生成代码，以便可以将其部署到NVIDIA GPU中，例如Jetson AGX Xavier，Nano和Drive平台。 本示例演示如何：
【文件预览】：
QuantNetworkOnXavier-master
----myNDNet_Postprocess.m(1KB)
----tb_myNDNet_quant_En.mlx(1.34MB)
----CAMheatmap_squeezenet.m(2KB)
----main_nutsCam.cpp(3KB)
----images()
--------good.png(140KB)
--------defective.png(133KB)
----trainingImages.zip(7.79MB)
----targetFunction.m(1KB)
----myNDNet_Preprocess.m(2KB)
----ocv2mat.m(362B)
----gpu_predict.m(385B)
----computeModelAccuracy.m(715B)
----README.md(4KB)
----tb_myNDNet_quant_Jp.mlx(1.34MB)
----mat2ocv.m(397B)
----prepareData4Calibration.m(757B)