{"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\/novosti-interneta\/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 Ausgabe des Python-Frameworks Savant 0.2.7 wurde ver\u00f6ffentlicht, das die Nutzung von NVIDIA DeepStream f\u00fcr maschinelles Lernen vereinfacht. Das Framework \u00fcbernimmt die gesamte komplexe Arbeit mit GStreamer oder FFmpeg, sodass Sie sich auf den Aufbau optimierter Ausgabepipelines mit deklarativer Syntax (YAML) und Python-Funktionen konzentrieren k\u00f6nnen. Savant erm\u00f6glicht die Erstellung von Pipelines, 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) gleich gut funktionieren. Mit Savant k\u00f6nnen Sie mehrere Video-Streams gleichzeitig einfach verarbeiten und schnell einsatzbereite Pipelines f\u00fcr Videoanalytik erstellen, die NVIDIA TensorRT nutzen. Der Code des Projekts steht unter der Apache 2.0-Lizenz. <\/p>\n
Savant 0.2.7 \u2014 dies ist die letzte Version mit funktionalen \u00c4nderungen im Branch 0.2.X. Die n\u00e4chsten Versionen im Branch 0.2.X werden nur Fehlerbehebungen beinhalten. Die Entwicklung neuer Funktionen wird im Branch 0.3.X stattfinden, der auf DeepStream 6.4 basiert. Dieser Branch wird die Jetson Xavier Ger\u00e4tefamilie nicht unterst\u00fctzen, da NVIDIA sie in DS 6.4 nicht unterst\u00fctzt. <\/p>\n
Hauptneuheiten: <\/p>\n
\n
Neue Anwendungsbeispiele:\n
\n
Beispiel f\u00fcr die Arbeit mit dem RT-DETR-Transformermodell zur Objekterkennung;\n
CUDA-Nachbearbeitung mit CuPy f\u00fcr YOLOV8-Seg;\n
Beispiel f\u00fcr die Integration von PyTorch CUDA in die Savant-Pipeline;\n
Demonstration der Arbeit mit orientierten Objekten. <\/ul>\n
<\/center> <\/p>\n
Neue Funktionen:\n
\n
Integration mit Prometheus. Die Pipeline kann Leistungsmetriken an Prometheus und Grafana exportieren, um die Leistung zu \u00fcberwachen und zu verfolgen. 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 bewegt werden. Damit k\u00f6nnen hochbelastete Pipelines entwickelt werden, die unvorhersehbar Ressourcen verbrauchen und Verkehrsspitzen standhalten. Der Adapter exportiert seine Daten \u00fcber Elemente und Gr\u00f6\u00dfen an Prometheus.\n
Modell-Kompilierungsmodus. 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 eine ordnungsgem\u00e4\u00dfe Verarbeitung von Shutdown-Vorg\u00e4ngen der Pipeline, indem Ressourcen freigegeben und externe Systeme \u00fcber das Ende des Betriebs informiert werden.\n
Filtern von Eingangs- und Ausgangsbildern. Standardm\u00e4\u00dfig akzeptiert die Pipeline alle Bilder, die Videodaten enthalten. Durch die Filterung am Eingang und Ausgang k\u00f6nnen Entwickler Daten filtern, um deren Verarbeitung auszuschlie\u00dfen.\n
Modellnachbearbeitung auf der GPU. Dank der neuen Funktion k\u00f6nnen Entwickler auf die Ausgabetensoren des Modells direkt aus dem GPU-Speicher zugreifen, ohne sie in den CPU-Speicher zu laden, und sie mit CuPy, TorchVision oder OpenCV CUDA verarbeiten.\n
Funktionen zur Darstellung des GPU-Speichers. In dieser Version haben wir Funktionen zur Umwandlung von Speichermethoden zwischen OpenCV GpuMat, GPU-Tensoren von PyTorch und Tensoren von CuPy bereitgestellt.\n
API zum Zugriff auf Statistiken zur Nutzung von Pipeline-Warteschlangen. Savant erm\u00f6glicht das Hinzuf\u00fcgen von Warteschlangen zwischen PyFunc, um parallele Verarbeitung und Pufferung zu realisieren. Die hinzugef\u00fcgte API bietet Entwicklern Zugriff auf die im Pipeline implementierten Warteschlangen und erm\u00f6glicht es, deren Nutzung abzufragen. <\/ul>\n<\/ul>\n
![\"Ver\u00f6ffentlichung](\"\/wp-content\/uploads\/2024\/02\/0c14b808a6767394352a4eafde317f67.jpg\")
<\/center> <\/p>\n