Das MATLAB Coder Support Package for PyTorch® and LiteRT Models ermöglicht es Ihnen, lesbaren und portablen C/C++ Quellcode aus einer Vielzahl vortrainierter PyTorch- und LiteRT- (ehemals TensorFlow Lite) Deep-Learning-Netzwerke zu generieren. Sie können die vollständige Anwendung, einschließlich Vor- und Nachverarbeitung in MATLAB- und Simulink sowie Deep-Learning-Modelle, als Quellcode, statische Bibliotheken oder dynamische Bibliotheken in Ihre bestehenden C/C++ Projekte integrieren. Sie können die vollständige Anwendung anschließend auf verschiedenen Hardwareplattformen bereitstellen, von Desktop-Systemen bis hin zu eingebetteter Hardware.
Das Support-Paket ermöglicht Ihnen außerdem die Generierung von CUDA®-Code aus PyTorch- und LiteRT-Modellen für moderne NVIDIA®-Grafikkarten, einschließlich derjenigen, die in NVIDIA Jetson™- und NVIDIA Clara™-Plattformen eingebettet sind (mit GPU Coder). Sie können Codeanpassungen, hardware-spezifische Optimierungen und Codeverifikation mithilfe von Software-in-the-Loop (SIL)- und Processor-in-the-Loop (PIL)-Tests durchführen (mit Embedded Coder). Sie können auch Code aus Simulink-Modellen generieren, die die PyTorch- und LiteRT-Modelle enthalten (mit Simulink Coder).
Produkt-Highlights
Quellcode generieren
Erzeugen Sie lesbaren und portablen C/C++ Quellcode aus vortrainierten PyTorch- und LiteRT-Modellen, einschließlich der Vorverarbeitungs- und Nachverarbeitungslogik. Setzen Sie den lizenzfreien generierten Code in kommerziellen Anwendungen für Ihre Kunden kostenlos ein. Alternativ können prozessorspezifische intrinsische Funktionen für ausgewählte Zielplattformen verwendet werden, einschließlich Infineon© AURIX™ TC4x Mikrocontroller (mit Embedded Coder).
Auf Hardware ausführen
Kompilieren Sie den generierten Code und führen Sie ihn auf jeder von Ihrem Compiler unterstützten Hardware aus, von Desktop-Systemen bis hin zu eingebetteten Prozessoren und Mikrocontrollern. Nutzen Sie jedes gewünschte Zielgerät, indem Sie den generierten Code manuell in Ihre Anwendung integrieren. Automatisieren Sie den Prozess für ausgewählte Ziele mithilfe von Hardware-Support-Paketen, einschließlich MATLAB Support Package for Raspberry Pi und des MATLAB Coder Support Package for NVIDIA Jetson and NVIDIA DRIVE Platforms.
Optimierung von generiertem Code
Generieren Sie Single Instruction, Multiple Data (SIMD)-Anweisungen und parallelisieren Sie Schleifen mit OpenMP-Code für Multicore. Erzeugen Sie prozessorspezifischen intrinsischen Code mit Embedded Coder für ausgewählte Zielplattformen, einschließlich ARM® Cortex®-M, Cortex-A und Infineon AURIX TC4x Mikrocontroller, für eine schnellere Ausführung.
Deep-Learning-Anwendungen
Verwenden Sie Deep-Learning-Netzwerke von PyTorch und LiteRT, um verschiedene Datentypen zu verarbeiten, und implementieren Sie die Netzwerke auf hardwarebeschränkten Geräten.
Signal- und Zeitreihendaten
Wenden Sie Deep Learning auf Signal- und Zeitreihendaten an für Aufgaben wie Anomalie-Detektion, Signalklassifikation, Schätzung des Batterieladezustands und Spracherkennung. Generieren Sie Code und implementieren Sie Netzwerke basierend auf rekurrenten neuronalen Netzen (RNNs), Long Short-Term Memory (LSTM)/Gated Recurrent Units (GRUs), Transformern und Autoencodern auf CPUs (einschließlich ARM Cortex-M, Cortex-A und Intel®) sowie NVIDIA-Grafikkarten.
Bild- und Videodaten
Verwenden Sie Deep Learning bei Bildern und Videos, um Bilder zu klassifizieren, Objekte innerhalb des Frames zu erkennen und zu verfolgen sowie Bild- und Rahmenbereiche in verschiedene Objekttypen zu segmentieren. Generieren Sie Code und setzen Sie Netzwerke wie YOLO11, DINOv2 und Depth Anything auf CPUs (einschließlich ARM Cortex-A und Intel) sowie NVIDIA-Grafikkarten ein.
Support-Paket anfordern
Sprechen Sie mit unseren Technik-Experten.
