MATLAB und Simulink für Embedded KI

Bereitstellung von Machine-Learning- und Deep-Learning-Anwendungen auf Embedded Systems

Mit MATLAB und Simulink können Sie KI-Algorithmen entwickeln, simulieren, testen, verifizieren und testen und damit die Leistung und Funktionalität komplexer Embedded Systems verbessern.

Warum MATLAB und Simulink?

Ressourcenbeschränkte Bereitstellung

Erstellen Sie automatisch Code, der für die Bereitstellung vollständiger Embedded-KI-Anwendungen optimiert ist.

Codegenerierung für Deep-Learning-Modelle

Codegenerierung für Machine-Learning-Modelle

Simulation und Testen mit Simulink

Nutzen Sie KI mit Simulink zum Simulieren und Testen der Integration von KI-Modellen in komplexe Systeme.

Deep Learning mit Simulink

Schätzen des Batterieladezustands mithilfe von Deep Learning

Zugriff auf vortrainierte KI-Modelle

Nutzen Sie vortrainierte Modelle und Modelle von PyTorch^® und TensorFlow™.

Vortrainierte Deep-Learning-Modelle

Konvertierung von Deep-Learning-Modellen zwischen PyTorch und MATLAB

Verifikation für sicherheitskritische Systeme

Entwickeln Sie komplexe KI-basierte Embedded Systems für sicherheitskritische und industrielle Anwendungen.

Deep Learning Toolbox Verification Library

Der Weg zur KI-Zertifizierung

Bereitstellung in Embedded KI mithilfe von MATLAB und Simulink

Entdecken Sie, wie Sie KI-Modelle vorbereiten und automatisch Code zur Bereitstellung von Embedded-KI-Anwendungen für CPUs, GPUs, FPGAs und mehr generieren können. Sehen Sie sich Tutorials, Beispiele und Videos an und erhalten Sie praktische Ratschläge zu Embedded KI mit MATLAB und Simulink.

Screenshot mit mehrschichtigem Graphen, einer Kalibrierungsstatistik und Validierungsergebnissen, um KI-Modelle für die Bereitstellung in Embedded-Systemen zu optimieren.

Bereitstellung auf CPUs und Mikrocontrollern

Generieren Sie portablen, optimierten C/C++ Code aus trainierten Machine-Learning- und Deep-Learning-Modellen mit MATLAB Coder und Simulink Coder.

Generierung von generischem C/C++ Code für Deep-Learning-Netze

So entwickeln und implementieren Sie ein neuronales Netz für MCUs in 4 Schritten (3:41)

Codegenerierung für LSTM-Netze auf Raspberry Pi

Screenshot von C/C++ Code in Simulink, der für Bilder eines NVIDIA-Desktop und einer Embedded GPU bereitgestellt wird.

Bereitstellung auf Grafikkarten

Generieren Sie optimierten CUDA^®-Code für trainierte Deep-Learning-Netze mit GPU Coder für die Bereitstellung auf Desktops, Servern und Embedded GPUs.

Codegenerierung zur Erkennung von Mängeln an Leiterplatten mithilfe von YOLOX Network

Deep-Learning-Prognose mithilfe von NVIDIA TensorRT

Codegenerierung für ein Deep-Learning-Modell in Simulink zur Klassifizierung von EKG-Signalen

FPGA-basierte Deep-Learning-Inferenzen können aus MATLAB heraus auf Prototypen-Hardware ausgeführt werden, um anschließend einen HDL-basierten IP-Kern für Deep Learning zu erzeugen, der auf beliebigen FPGAs oder ASICs bereitgestellt werden kann.

Bereitstellung auf FPGAs und SoCs

Erstellen Sie Prototypen und implementieren Sie Deep-Learning-Netze mit Deep Learning HDL Toolbox auf FPGAs und SoCs. Generieren Sie mit HDL Coder individuell erstellte IP-Prozessorkerne und Bitströme für Deep Learning.

MATLAB zur Prototyperstellung von Deep Learning auf einem Xilinx-FPGA (3:25)

Verwenden Sie MATLAB zur Prototyperstellung von Deep Learning auf einem Intel-FPGA (3:24)

Bereitstellen eines Regressionsmodells für neuronale Netzwerke auf einer FPGA/ASIC-Plattform

Komprimierung von KI-Modellen

Komprimieren Sie tiefe neuronale Netze mit Quantisierung, Projektion oder Pruning zur Senkung des Arbeitsspeicherbedarfs und Steigerung der Inferenzleistung.

Reduzierung des Arbeitsspeicherbedarfs von tiefen neuronalen Netzen

Eine produktiver Weg zur Bereitstellung winziger neuronaler Netze auf Mikrocontrollern

Komprimierung von Bildklassifizierungsnetzen zur Bereitstellung auf Embedded Geräten mit beschränkten Ressourcen