MATLAB e Simulink per l’IA embedded

Distribuzione di applicazioni di Machine Learning e di Deep Learning su sistemi embedded

Con MATLAB e Simulink puoi progettare, simulare, testare, verificare e distribuire algoritmi di IA che migliorano le prestazioni e le funzionalità di sistemi embedded complessi.

Perché MATLAB e Simulink?

Distribuzione con risorse limitate

Genera automaticamente codice ottimizzato per la distribuzione di intere applicazioni di IA embedded.

Generazione di codice per modelli di Deep Learning

Generazione di codice per modelli di Machine Learning

Simulazione e test con Simulink

Utilizza l’intelligenza artificiale con Simulink per simulare e testare l’integrazione di modelli di IA in sistemi complessi.

Deep Learning con Simulink

Stima dello stato di carica delle batterie mediante il Deep Learning

Accesso a modelli di IA pre-addestrati

Sfrutta i modelli pre-addestrati integrati e i modelli da PyTorch^® e TensorFlow™.

Modelli di Deep Learning pre-addestrati

Conversione di modelli di Deep Learning da PyTorch a MATLAB

Verifica per sistemi fondamentali per la sicurezza

Sviluppa sistemi embedded complessi basati sull’IA per applicazioni fondamentali per la sicurezza e industriali.

Deep Learning Toolbox Verification Library

Il percorso verso la certificazione IA

Utilizzo di MATLAB e Simulink per la distribuzione di IA embedded

Scopri come preparare modelli di IA e generare automaticamente codice per distribuire applicazioni di IA embedded su CPU, GPU, FPGA e molto altro. Scopri tutorial, esempi e video per ottenere consigli pratici sull’IA embedded con MATLAB e Simulink.

Screenshot di un grafico stratificato, delle statistiche di calibrazione e dei risultati di validazione per ottimizzare i modelli di IA per la distribuzione embedded.

Distribuzione su CPU e microcontroller

Genera codice C/C++ ottimizzato e portatile a partire da modelli addestrati di Machine Learning e di Deep Learning con MATLAB Coder e Simulink Coder.

Generazione di codice generico C/C++ per reti di Deep Learning

Come sviluppare e distribuire una rete neurale per MCU in 4 passaggi (3:41)

Generazione di codice per una rete LSTM su Raspberry Pi

Screenshot della distribuzione di codice C/C++ in Simulink su immagini di un desktop NVIDIA e di una GPU embedded.

Distribuzione su GPU

Genera codice CUDA^® ottimizzato per reti addestrate di Deep Learning con GPU Coder per la distribuzione su desktop, server e GPU embedded.

Generazione di codice per il rilevamento difetti su circuiti stampati con la rete YOLOX

Previsione per il Deep Learning con NVIDIA TensorRT

Generazione di codice per un modello Simulink di Deep Learning per classificare segnali ECG

Esecuzione dell’inferenza di Deep Learning basata su FPGA su hardware di prototipi direttamente da MATLAB e successiva generazione di un core IP HDL di Deep Learning per la distribuzione su qualsiasi dispositivo FPGA o ASIC.

Distribuzione su FPGA e SoC

Prototipa e implementa reti di Deep Learning su FPGA e SoC con Deep Learning HDL Toolbox. Genera bitstream e core IP per processori di Deep Learning personalizzati con HDL Coder.

Utilizzo di MATLAB per prototipare il Deep Learning su una FPGA Xilinx (3:25)

Utilizzo di MATLAB per prototipare il Deep Learning su una FPGA Intel (3:24)

Distribuzione di un modello di regressione di rete neurale su una piattaforma FPGA/ASIC

Compressione di modelli di IA

Comprimi le tue reti di Deep Learning tramite quantizzazione, proiezione o pruning per ridurne il footprint di memoria e aumentare le prestazioni di inferenza.

Riduzione del footprint di memoria delle reti neurali profonde

Un percorso produttivo verso la distribuzione di piccole reti neurali su microcontrollori

Compressione di una rete di classificazione immagini per la distribuzione su dispositivi embedded con risorse limitate