{"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\/es\/blog\/news\/vypusk-savant-0-2-7-frejmvorka-kompyuternogo-zreniya-i-glubokogo-obucheniya","title":{"rendered":"Lanzamiento de Savant 0.2.7, un marco de visi\u00f3n por computadora y aprendizaje profundo","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Se ha publicado la versi\u00f3n 0.2.7 del marco Python Savant, que simplifica el uso de NVIDIA DeepStream para tareas de aprendizaje autom\u00e1tico. El marco se encarga de todo el trabajo complicado con GStreamer o FFmpeg, permitiendo centrarse en la construcci\u00f3n de tuber\u00edas de salida optimizadas con un sintaxis declarativa (YAML) y funciones de Python. Savant permite crear tuber\u00edas (pipeline) que funcionan igual en aceleradores en el centro de datos (NVIDIA Turing, Ampere, Hopper) y en dispositivos edge (NVIDIA Jetson NX, AGX Xavier, Orin NX, AGX Orin, New Nano). Con Savant, es f\u00e1cil procesar m\u00faltiples flujos de video simult\u00e1neamente y crear r\u00e1pidamente tuber\u00edas de an\u00e1lisis de video listas para aplicaciones, utilizando NVIDIA TensorRT. El c\u00f3digo del proyecto se distribuye bajo la licencia Apache 2.0. <\/p>\n
Savant 0.2.7 \u2014 es la \u00faltima versi\u00f3n con cambios funcionales en la rama 0.2.X. Las siguientes versiones en la rama 0.2.X incluir\u00e1n solo correcciones de errores. El desarrollo de nuevas funciones se llevar\u00e1 a cabo en la rama 0.3.X, basada en DeepStream 6.4. Esta rama no admitir\u00e1 la familia de dispositivos Jetson Xavier, ya que la compa\u00f1\u00eda NVIDIA no los soporta en DS 6.4. <\/p>\n
Novedades principales: <\/p>\n
\n
Nuevos ejemplos de uso:\n
\n
Ejemplo de uso del modelo de detecci\u00f3n basado en el transformador RT-DETR;\n
Post-procesamiento con CUDA usando CuPy para YOLOV8-Seg;\n
Ejemplo de integraci\u00f3n de PyTorch CUDA en la tuber\u00eda Savant;\n
Demostraci\u00f3n de trabajo con objetos orientados. <\/ul>\n
<\/center> <\/p>\n
Nuevas caracter\u00edsticas:\n
\n
Integraci\u00f3n con Prometheus. La tuber\u00eda puede exportar m\u00e9tricas de rendimiento a Prometheus y Grafana para monitoreo y seguimiento del rendimiento. Los desarrolladores pueden declarar m\u00e9tricas personalizadas que se exportan junto con las m\u00e9tricas del sistema.\n
El adaptador de b\u00fafer \u2014 implementa un b\u00fafer transaccional persistente en el disco para datos que se mueven entre adaptadores y m\u00f3dulos. Con \u00e9l, se pueden desarrollar tuber\u00edas de alto rendimiento que consumen recursos de manera impredecible y soportan picos de tr\u00e1fico. El adaptador exporta sus datos sobre elementos y tama\u00f1os a Prometheus.\n
Modo de compilaci\u00f3n de modelos. Los m\u00f3dulos ahora pueden compilar sus modelos en TensorRT sin ejecutar la tuber\u00eda.\n
Controlador de eventos de apagado en PyFunc. Esta nueva API permite manejar correctamente las operaciones de finalizaci\u00f3n de la tuber\u00eda, liberando recursos y notificando a sistemas externos sobre la finalizaci\u00f3n.\n
Filtrado de cuadros de entrada y salida. De forma predeterminada, el canal acepta todos los cuadros que contienen datos de video. Con el filtrado de entrada y salida, los desarrolladores pueden filtrar los datos para excluir su procesamiento.\n
Post-procesamiento del modelo en GPU. Gracias a esta nueva funci\u00f3n, los desarrolladores pueden acceder a los tensores de salida del modelo directamente desde la memoria de la GPU, sin cargarlos en la memoria de la CPU, y procesarlos con CuPy, TorchVision o OpenCV CUDA.\n
Funciones de representaci\u00f3n de memoria de GPU. En esta versi\u00f3n, proporcionamos funciones para convertir b\u00faferes de memoria entre OpenCV GpuMat, tensores GPU de PyTorch y tensores de CuPy.\n
API de acceso a la estad\u00edstica de uso de colas de canal. Savant permite agregar colas entre PyFunc para implementar procesamiento paralelo y almacenamiento en b\u00fafer. La API a\u00f1adida proporciona a los desarrolladores acceso a las colas desplegadas en el canal y permite consultar su uso. <\/ul>\n<\/ul>\n
![\"Lanzamiento](\"\/wp-content\/uploads\/2024\/02\/0c14b808a6767394352a4eafde317f67.jpg\")
<\/center> <\/p>\n