Kursüberblick
Das Training von Computer-Vision-Modellen ist komplex, iterativ und erfordert eine große Menge an hochwertigen, relevanten visuellen Daten. Traditionell stützt sich dieser Prozess auf visuelle Daten, die in der realen Welt mit Kameras und Sensoren gesammelt und oft manuell beschriftet werden, um die Szenarien und Situationen darzustellen, die das Modell lernen muss.
NVIDIA Omniverse™ Replicator ist eine leistungsstarke Engine zur Generierung synthetischer Daten (SDG), die physikalisch simulierte synthetische Daten für das Training von Deep Neural Networks (DNNs) erzeugt. Sie ergänzt kostspielige, mühsame, von Menschen beschriftete Daten, die fehleranfällig und unvollständig sein können, mit verschiedenen physikalisch genauen Daten, die auf die Bedürfnisse von Entwicklern zugeschnitten sind.
In diesem Kurs werden Sie Omniverse Replicator und die Omniverse Defects Generation Extension verwenden, um synthetische Daten zu erzeugen. Anschließend werden Sie den Datensatz iterieren, um ein DNN zu trainieren, das Zielobjekte (Kratzer) in einer Szene findet.
Bitte beachten Sie, dass eine einmal bestätigte Buchung nicht mehr rückerstattet werden kann. Das bedeutet, dass Sie Ihren Platz für eine Veranstaltung nach der Bestätigung nicht mehr stornieren können und keine Rückerstattung erfolgt, unabhängig von der Teilnahme an der Veranstaltung.
Voraussetzungen
- Mittleres Verständnis von Python (einschließlich Klassen, Objekte und Dekorateure)
- Grundlegendes Verständnis von Konzepten und Pipelines für maschinelles Lernen und Deep Learning
Empfohlene Materialien, um die Voraussetzungen zu erfüllen: Python-Tutorial, Deep Learning in a Nutshell, Deep Learning Demystified
Kursziele
Durch die Teilnahme an diesem Workshop werden Sie lernen, wie man:
- Erstellen Sie einen synthetischen Trainingsdatensatz für die spätere Verarbeitung mit NVIDIA Omniverse Replicator
- Anpassen und Verfeinern bestehender Tools, um die Anforderungen an die Merkmale und das Format Ihrer Datensätze zu erfüllen
- Offline-Parametrisierung der Datengenerierung zur schnelleren Iteration bei der Erstellung neuer oder verfeinerter Datensätze
- Importieren Sie einen synthetischen Datensatz in Ihren Arbeitsablauf, trainieren Sie ihn, iterieren Sie den Entwurf und exportieren Sie ein Modell, das für Schlussfolgerungen verwendet werden kann.
Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.