{"id":113469,"date":"2024-02-08T22:02:49","date_gmt":"2024-02-08T20:02:49","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/vypusk-savant-0-2-7-frejmvorka-kompyuternogo-zreniya-i-glubokogo-obucheniya"},"modified":"2024-02-08T22:02:49","modified_gmt":"2024-02-08T20:02:49","slug":"vypusk-savant-0-2-7-frejmvorka-kompyuternogo-zreniya-i-glubokogo-obucheniya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/vypusk-savant-0-2-7-frejmvorka-kompyuternogo-zreniya-i-glubokogo-obucheniya","title":{"rendered":"Ver\u00f6ffentlichung von Savant 0.2.7, einem Framework f\u00fcr Computer Vision und Deep Learning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Die Ver\u00f6ffentlichung des Python-Frameworks Savant 0.2.7 wurde ver\u00f6ffentlicht, das die Verwendung von NVIDIA DeepStream zur L\u00f6sung von Aufgaben im Zusammenhang mit maschinellem Lernen vereinfacht. Das Framework \u00fcbernimmt die gesamte komplexe Arbeit mit GStreamer oder FFmpeg, sodass Sie sich auf den Aufbau optimierter Ausgaber\u00f6hren mit deklarativer Syntax (YAML) und Funktionen in Python konzentrieren k\u00f6nnen. Savant erm\u00f6glicht es, Pipelines zu erstellen, die sowohl auf Beschleunigern im Rechenzentrum (NVIDIA Turing, Ampere, Hopper) als auch auf Edge-Ger\u00e4ten (NVIDIA Jetson NX, AGX Xavier, Orin NX, AGX Orin, New Nano) gleichm\u00e4\u00dfig funktionieren. Mit Savant k\u00f6nnen mehrere Video-Streams gleichzeitig einfach verarbeitet und schnell betriebsbereite Pipelines f\u00fcr Videoanalytik erstellt werden, die NVIDIA TensorRT verwenden. Der Projektcode wird unter der Apache 2.0-Lizenz ver\u00f6ffentlicht. <\/p>\n
Savant 0.2.7 \u2014 dies ist die letzte Version mit Funktionalit\u00e4ts\u00e4nderungen im Branch 0.2.X. Die n\u00e4chsten Versionen im Branch 0.2.X werden nur Fehlerbehebungen enthalten. Die Entwicklung neuer Funktionen wird im Branch 0.3.X fortgesetzt, der auf DeepStream 6.4 basiert. Dieser Branch wird die Jetson Xavier-Ger\u00e4tefamilie nicht unterst\u00fctzen, da NVIDIA deren Unterst\u00fctzung in DS 6.4 eingestellt hat. <\/p>\n
Hauptneuheiten: <\/p>\n
\n
Neue Anwendungsbeispiele:\n
\n
Beispiel f\u00fcr die Arbeit mit einem auf Transformatoren basierenden Erkennungsmodell RT-DETR;\n
CUDA-Nachbearbeitung mit CuPy f\u00fcr YOLOV8-Seg;\n
Beispiel f\u00fcr die Integration von PyTorch CUDA in die Pipeline Savant;\n
Demonstration der Arbeit mit orientierten Objekten. <\/ul>\n
<\/center> <\/p>\n
Neue Funktionen:\n
\n
Integration mit Prometheus. Die Pipeline kann Leistungsmetriken in Prometheus und Grafana f\u00fcr die \u00dcberwachung und Nachverfolgung der Leistung exportieren. Entwickler k\u00f6nnen benutzerdefinierte Metriken deklarieren, die zusammen mit den Systemmetriken exportiert werden.\n
Der Pufferadapter \u2014 implementiert einen dauerhaften Transaktionspuffer auf der Festplatte f\u00fcr Daten, die zwischen Adaptern und Modulen verschoben werden. Damit k\u00f6nnen hochbelastete Pipelinen entwickelt werden, die unvorhersehbar Ressourcen beanspruchen und Verkehrsspitzen standhalten. Der Adapter exportiert seine Daten \u00fcber Elemente und Gr\u00f6\u00dfen an Prometheus.\n
Modellkompilierungsmodus. Module k\u00f6nnen jetzt ihre Modelle in TensorRT kompilieren, ohne die Pipeline auszuf\u00fchren.\n
Shutdown-Ereignis-Handler in PyFunc. Diese neue API erm\u00f6glicht die ordnungsgem\u00e4\u00dfe Verarbeitung von Pipeline-Beendigungsoperationen, um Ressourcen freizugeben und externe Systeme \u00fcber den Abschluss zu informieren.\n
Filterung von Bildern am Eingang und Ausgang. Standardm\u00e4\u00dfig akzeptiert die Pipeline alle Bilder, die Video-Daten enthalten. Mit Hilfe der Eingang- und Ausgangsfilterung k\u00f6nnen Entwickler Daten filtern, um deren Verarbeitung auszuschlie\u00dfen.\n
Nachbearbeitung des Modells auf GPU. Mit der neuen Funktion k\u00f6nnen Entwickler direkt auf die Ausgangstensoren des Modells im GPU-Speicher zugreifen, ohne sie in den CPU-Speicher zu laden, und sie mit CuPy, TorchVision oder OpenCV CUDA verarbeiten.\n
Funktionen zur Speicherverwaltung auf GPU. In dieser Version haben wir Funktionen bereitgestellt, um Speicherpuffer zwischen OpenCV GpuMat, GPU-Tensoren von PyTorch und Tensoren von CuPy zu konvertieren.\n
API f\u00fcr den Zugriff auf die Nutzungstatistiken der Pipeline-Warteschlangen. Savant erm\u00f6glicht das Hinzuf\u00fcgen von Warteschlangen zwischen PyFunc zur Umsetzung der parallelen Verarbeitung und der Verarbeitungspuffern. Die hinzugef\u00fcgte API bietet Entwicklern Zugriff auf die in der Pipeline implementierten Warteschlangen und erm\u00f6glicht das Abrufen ihrer Nutzung. <\/ul>\n<\/ul>\n
![\"Ver\u00f6ffentlichung](\"\/wp-content\/uploads\/2024\/02\/0c14b808a6767394352a4eafde317f67.jpg\")
<\/center> <\/p>\n