{"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\/fr\/blog\/news\/vypusk-savant-0-2-7-frejmvorka-kompyuternogo-zreniya-i-glubokogo-obucheniya","title":{"rendered":"Sortie de Savant 0.2.7, un cadre de vision par ordinateur et d'apprentissage profond","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
La version 0.2.7 du framework Python Savant a \u00e9t\u00e9 publi\u00e9e, simplifiant l'utilisation de NVIDIA DeepStream pour les t\u00e2ches li\u00e9es \u00e0 l'apprentissage automatique. Le framework g\u00e8re toute la complexit\u00e9 associ\u00e9e \u00e0 GStreamer ou FFmpeg, permettant de se concentrer sur la construction de pipelines de sortie optimis\u00e9s avec une syntaxe d\u00e9clarative (YAML) et des fonctions Python. Savant permet de cr\u00e9er des pipelines qui fonctionnent aussi bien sur des acc\u00e9l\u00e9rateurs en data center (NVIDIA Turing, Ampere, Hopper) que sur des dispositifs edge (NVIDIA Jetson NX, AGX Xavier, Orin NX, AGX Orin, New Nano). Avec Savant, il est facile de traiter plusieurs flux vid\u00e9o simultan\u00e9ment et de cr\u00e9er rapidement des pipelines d'analyse vid\u00e9o pr\u00eats \u00e0 l'emploi, utilisant NVIDIA TensorRT. Le code du projet est distribu\u00e9 sous la licence Apache 2.0. <\/p>\n
Savant 0.2.7 \u2014 est la derni\u00e8re version avec des modifications fonctionnelles dans la branche 0.2.X. Les prochaines versions de la branche 0.2.X incluront uniquement des corrections de bogues. Le d\u00e9veloppement de nouvelles fonctionnalit\u00e9s se fera dans la branche 0.3.X, bas\u00e9e sur DeepStream 6.4. Cette branche ne prendra pas en charge la famille d'appareils Jetson Xavier, car NVIDIA ne les prend pas en charge dans DS 6.4. <\/p>\n
Les principales nouveaut\u00e9s : <\/p>\n
\n
Nouveaux exemples d'utilisation :\n
\n
Exemple de travail avec un mod\u00e8le de d\u00e9tection bas\u00e9 sur le transformeur RT-DETR ;\n
Post-traitement CUDA avec CuPy pour YOLOV8-Seg ;\n
Exemple d'int\u00e9gration de PyTorch CUDA dans le pipeline Savant ;\n
D\u00e9monstration du travail avec des objets orient\u00e9s. <\/ul>\n
<\/center> <\/p>\n
Nouvelles fonctionnalit\u00e9s :\n
\n
Int\u00e9gration avec Prometheus. Le pipeline peut exporter des m\u00e9triques de performance vers Prometheus et Grafana pour surveiller et suivre les performances. Les d\u00e9veloppeurs peuvent d\u00e9clarer des m\u00e9triques personnalis\u00e9es, qui seront export\u00e9es avec des m\u00e9triques syst\u00e8me.\n
L'adaptateur tampon \u2014 impl\u00e9mente un tampon transactionnel permanent sur disque pour les donn\u00e9es se d\u00e9pla\u00e7ant entre les adaptateurs et les modules. Cela permet de d\u00e9velopper des pipelines hautement charg\u00e9s consommant de mani\u00e8re impr\u00e9visible des ressources et supportant des pics de trafic. L'adaptateur exporte dans Prometheus ses donn\u00e9es sur les \u00e9l\u00e9ments et les dimensions.\n
Mode de compilation des mod\u00e8les. Les modules peuvent d\u00e9sormais compiler leurs mod\u00e8les en TensorRT sans d\u00e9marrer le pipeline.\n
Gestionnaire d'\u00e9v\u00e9nements shutdown dans PyFunc. Cette nouvelle API permet de traiter correctement les op\u00e9rations d'arr\u00eat du pipeline, lib\u00e9rant des ressources et notifiant les syst\u00e8mes externes de l'arr\u00eat.\n
Filtration des images \u00e0 l'entr\u00e9e et \u00e0 la sortie. Par d\u00e9faut, le pipeline accepte toutes les images contenant des donn\u00e9es vid\u00e9o. Gr\u00e2ce \u00e0 la filtration \u00e0 l'entr\u00e9e et \u00e0 la sortie, les d\u00e9veloppeurs peuvent filtrer les donn\u00e9es pour exclure leur traitement.\n
Post-traitement du mod\u00e8le sur GPU. Avec cette nouvelle fonctionnalit\u00e9, les d\u00e9veloppeurs peuvent acc\u00e9der aux tenseurs de sortie du mod\u00e8le directement depuis la m\u00e9moire GPU, sans les charger dans la m\u00e9moire CPU, et les traiter avec CuPy, TorchVision ou OpenCV CUDA.\n
Fonctions de repr\u00e9sentation de la m\u00e9moire GPU. Dans cette version, nous avons fourni des fonctions pour convertir les tampons de m\u00e9moire entre OpenCV GpuMat, les tenseurs GPU de PyTorch et les tenseurs CuPy.\n
API d'acc\u00e8s aux statistiques d'utilisation des files d'attente du pipeline. Savant permet d'ajouter des files d'attente entre PyFunc pour r\u00e9aliser un traitement parall\u00e8le et un traitement en m\u00e9moire tampon. L'API ajout\u00e9e fournit aux d\u00e9veloppeurs un acc\u00e8s aux files d'attente d\u00e9ploy\u00e9es dans le pipeline et permet de demander leur utilisation. <\/ul>\n<\/ul>\n
![\"Sortie](\"\/wp-content\/uploads\/2024\/02\/0c14b808a6767394352a4eafde317f67.jpg\")
<\/center> <\/p>\n