MATLAB Coder Support Package for PyTorch® and LiteRT Models를 통해 다양한 사전 훈련된 PyTorch 및 LiteRT(이전 명칭: TensorFlow Lite) 딥러닝 신경망으로부터 가독성 및 이식성이 좋은 C/C++ 소스 코드를 생성할 수 있습니다. MATLAB 및 Simulink의 전처리 및 후처리와 딥러닝 모델을 포함하는 완전한 애플리케이션을 소스 코드, 정적 라이브러리 또는 동적 라이브러리 형태로 여러분의 기존 C/C++ 프로젝트에 통합할 수 있습니다. 그런 다음 완전한 애플리케이션을 데스크탑 시스템부터 임베디드 하드웨어에 이르는 다양한 하드웨어 플랫폼에 배포할 수 있습니다.
이 지원 패키지를 통해 NVIDIA Jetson™ 및 NVIDIA Clara™ 플랫폼에 내장된 것과 같은 최신 NVIDIA® GPU의 PyTorch 및 LiteRT 모델로부터 CUDA® 코드를 생성할 수 있습니다. (GPU Coder 사용) 코드 사용자 지정, 하드웨어 특정 최적화 및 SIL(Software-in-the-Loop) 및 PIL(Processor-in-the-Loop) 테스트를 활용한 코드 검증을 적용할 수 있습니다. (Embedded Coder 사용) PyTorch 및 LiteRT 모델을 포함하는 Simulink 모델로부터 코드를 생성할 수도 있습니다. (Simulink Coder 사용)
제품 하이라이트
소스 코드 생성
사전 훈련된 PyTorch 및 LiteRT 모델로부터 전처리 및 후처리 논리를 포함하는 가독성 및 이식성이 좋은 C/C++ 소스 코드를 생성할 수 있습니다. 로열티 없는 생성된 코드를 상용 애플리케이션에 배포하여 고객에게 무료로 제공할 수 있습니다. 또는Infineon© AURIX™ TC4x 마이크로컨트롤러를 포함한 특정 타겟에 대해 프로세서 특정 내장 함수를 사용할 수 있습니다. (Embedded Coder 사용)
하드웨어에서 실행
생성된 코드를 컴파일하여 데스크탑 시스템부터 임베디드 프로세서 및 마이크로컨트롤러에 이르기까지 컴파일러가 지원하는 모든 하드웨어에서 실행할 수 있습니다. 생성된 코드를 애플리케이션에 직접 통합해 어떤 소자든 타겟팅할 수 있습니다. MATLAB Support Package for Raspberry Pi 및 MATLAB Coder Support Package for NVIDIA Jetson and NVIDIA DRIVE Platforms를 비롯한 하드웨어 지원 패키지를 사용해 타겟 선택 과정을 자동화할 수 있습니다.
생성된 코드 최적화
SIMD(단일 명령 복수 데이터) 명령을 생성하고 멀티코어 OpenMP 코드를 사용해 루프를 병렬화할 수 있습니다. ARM® Cortex®-M, Cortex-A 및 Infineon AURIX TC4x 마이크로컨트롤러를 비롯한 선별된 타겟에 대해 Embedded Coder를 사용해 프로세서 특정 내재 함수 코드를 생성하여 더 빠른 실행을 구현할 수 있습니다.
딥러닝 응용 사례
PyTorch와 LiteRT의 딥러닝 신경망을 사용해 다양한 유형의 데이터를 처리하고, 자원이 제한된 하드웨어에 신경망을 배포할 수 있습니다.
신호 및 시계열 데이터
이상 탐지, 신호 분류, 배터리 충전 상태 추정, 음성 인식과 같은 작업을 위해 신호 및 시계열 데이터에 딥러닝을 사용할 수 있습니다. RNN(순환 신경망), LSTM(장단기 기억)/GRU(게이트 순환 유닛), 트랜스포머 및 오토인코더에 기반한 신경망의 코드를 생성하고, 이를 CPU(ARM Cortex-M, Cortex-A 및 Intel® 포함) 및 NVIDIA GPU에 배포할 수 있습니다.
영상 및 비디오 데이터
영상과 비디오에 딥러닝을 사용해 영상을 분류하고, 프레임 내의 객체를 탐지하고 추적하며, 영상과 프레임 영역을 서로 다른 객체 유형으로 분할할 수 있습니다. YOLO11, DINOv2 및 Depth Anything과 같은 신경망의 코드를 생성하고, 이를 CPU(ARM Cortex-A 및 Intel 포함) 및 NVIDIA GPU에 배포할 수 있습니다.
지원 패키지 요청
기술 전문가와 상의해 보세요.
