NVIDIA在线研讨会 | Metropolis 加速 AI 2.0 在 Jetson 平台的应用

扫地的小何尚
优质创作者: 人工智能技术领域
2024-01-08 20:07:23

研讨会安排

 

_

主题:

Metropolis 加速 AI 2.0 在 Jetson 平台的应用

 

_

时间:

2024 年 1 月 10 日(周三)15:00 - 17:00

 

扫描二维码参加:

 

 

NVIDIA Metropolis 是一个端到端的应用框架,致力于以经济高效的方式支持 AI 视频分析及物联网应用,并覆盖从边缘到云端的开发、部署和扩展。随着 Vision Transformer(ViT)模型与大语言模型(LLM)的快速迭代、生成式 AI 场景的不断涌现,AI 2.0 时代如何将模型集成到特定的应用程序,并在 Jetson 平台上进行部署和应用?

 

本课程旨在让开发者了解 Metropolis 中 DeepStream 及 TAO 相关功能更新,探索来自 NVIDIA 的新一代 AI 基础模型,借助 Jetson Orin 的优化技术,实现端侧推理速度及准确率提升。

 

通过本次在线研讨会,您可以学习到以下内容:

 

  • Metropolis 助力生成式 AI 在各行业的应用

  • 基于多媒体信息的推理框架 DeepStream 新版本介绍及与大语言模型协作的应用探索

  • NVIDIA TAO 5.2:Vision Transformer 和开放式词典在 CV 任务的新特性

  • Metropolis on Jetson 加速大模型和生成式 AI 在边缘的应用

 

Metropolis 助力

生成式 AI 在各行业的应用

 

嘉宾阵容:

 

 

杨舟

NVIDIA 开发者关系经理

 

曾任大数据、视觉算法工程师数年,现负责 NVIDIA AI 视觉分析 Metropolis 框架在行业应用中的技术推广, 为客户提供可用于业务落地的解决方案。

 

基于多媒体信息的

推理框架 DeepStream 新版本介绍

及与大语言模型协作的应用探索

 

 

陈菲

NVIDIA 系统软件工程师

 

具有十五年以上多媒体相关的系统软件开发经验,目前专注于基于人工智能的多媒体及其它分析系统软件的开发。

 

NVIDIA TAO 5.2:

Vision Transformer 和开放式词典

在 CV 任务的新特性

 

 

吴永亮

NVIDIA 技术经理

 

NVIDIA 工作十三年,七年深度学习工作经历,负责 NVIDIA TAO 的开发和全球技术支持。

 

黄泳均

NVIDIA 系统软件工程师

 

致力于深度学习分析与应用,主要负责 TAO 论坛上各种疑难问题的分析与解决。

 

赵斌

NVIDIA 高级系统软件工程师

 

致力于深度学习模型开发及部署,能为客户提供丰富的技术支持,已为众多客户提供完整的人工智能解决方案。

 

朱越

NVIDIA 高级系统软件工程师

 

硕士毕业于电子科技大学,专注于自动驾驶、机器人、智能视频分析领域的感知和三维重建算法。

 

Metropolis on Jetson 加速大模型

和生成式 AI 在边缘的应用

 

雷昊

NVIDIA 开发者关系经理

 

负责智慧空间和智能工业制造领域的人工智能相关技术。在多媒体技术和机器视觉方面有着丰富经验,致力于将领先的人工智能技术应用于边缘计算环境,并帮助客户实现实时人工智能推理以及高性能、安全和可靠的计算。

 

 

...全文
267 3 打赏 收藏 举报
写回复
用AI写文章
3 条回复
切换为时间正序
请发表友善的回复…
发表回复
667778 2024-01-17
  • 打赏
  • 举报
回复

没有会议入口

Anny*2019 2024-01-10
  • 打赏
  • 举报
回复

怎么入会呢?注册了也没有给线上会议入口

程序小勇 2024-01-10
  • 打赏
  • 举报
回复
谢谢老板,恭喜老板发财💰
内容概要:本文围绕三相四桥臂动态电压恢复器(DVR)在电压不对称跌落情况下的补偿能力展开,重点介绍了基于Simulink平台构建的仿真模型,用于研究和验证DVR对电网电压不平衡的动态补偿性能。系统采用三相四桥臂逆变器结构,利用其独立的中性线控制能力有效处理零序分量,结合多准PR(Proportional Resonant)控制策略实现对正负序电压分量的精确跟踪与快速响应,从而提升在不平衡负载或电网故障条件下DVR的补偿精度与系统稳定性。文中提供了完整的仿真模型及相关参考文献,涵盖控制算法设计、系统建模与参数整定等关键技术环节,适用于复杂电能质量问题的研究与教学演示。; 适合人群:电气工程、电力电子与电力系统相关专业的研究生、科研人员及从事电能质量治理的技术工程师;具备一定的电路理论、自动控制原理和Simulink仿真基础者更佳。; 使用场景及目标:①研究动态电压恢复器在三相电压不对称跌落工况下的补偿机制与控制策略;②掌握三相四桥臂逆变器在不平衡条件下的建模与控制方法;③深入理解多准PR控制器在正负序分离控制中的应用,提升对电能质量调节装置的设计与仿真能力; 阅读建议:建议结合提供的参考文献与说明文档,逐步搭建并调试Simulink仿真模型,重点关注控制器参数设计与系统动态响应特性,通过设置不同类型的电压跌落场景(如单相跌落、两相短路等)来验证控制策略的有效性与鲁棒性。
附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[高温(hot)] · 训练集:156 张 · 验证集:16 张 · 测试集:8 张 · 总计:180 张 该数据集聚焦于工业厂区环境中高温设备的精准识别,旨在为安全生产监控与热故障预警提供高质量视觉支持。通过红外热成像技术捕捉设备表面异常温升区域,有效辅助运维人员及时发现潜在过热风险点,具有显著的预防性维护价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 60 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9442** mAP50-95 | 0.6289 Precision | 0.9975 Recall | 0.8333 train/box_loss | 1.0103 train/cls_loss | 0.8949 val/box_loss | 1.2744 val/cls_loss | 0.9201 【训练过程分析】 在训练初期,模型的表现就让人眼前一亮。从第一轮到第十轮,训练集的损失值 train/box_loss 和 train/cls_loss 分别从 1.0103 降到 0.8501,从 0.8949 降到 0.7245。到了训练的第 20 轮,两个损失值都达到了一个相对稳定的水平,train/box_loss 下降到 0.6789,train/cls_loss 降至 0.5543。这一阶段,模型快速收敛,整体表现非常... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。
内容概要:本文围绕风光储互补发电与PEM电解槽制氢系统的联合仿真展开研究,构建了一个集风能、太阳能、储能系统与质子交换膜(PEM)电解水制氢技术于一体的综合能源系统仿真模型。通过Simulink等工具对系统在不同工况下的运行特性进行建模与仿真,重点分析了可再生能源出力波动性对制氢过程的影响,探讨了储能系统在平抑功率波动、提高制氢效率方面的关键作用,并研究了PEM电解槽在变功率输入条件下的动态响应特性。系统仿真涵盖了能量管理策略、功率协调控制、氢气产量预测等核心内容,旨在提升清洁能源的就地消纳能力与绿氢生产的稳定性与经济性。; 适合人群:具备电力系统、新能源或氢能相关基础知识,从事综合能源系统、微电网、可再生能源制氢等领域研究的科研人员及工程技术人员。; 使用场景及目标:①用于研究高比例可再生能源接入背景下绿氢生产系统的集成与优化运行;②为风光储制氢项目的规划设计、控制策略开发与性能评估提供仿真验证平台;③支撑科研论文撰写、课题申报及工程项目前期论证; 阅读建议:建议结合文中提供的参考文献与仿真代码(如Matlab/Simulink)进行实践操作,重点关注系统建模细节与控制逻辑实现,通过调整参数和工况开展对比分析,深入理解多能耦合系统的运行机理。

1,422

社区成员

发帖
与我相关
我的任务
社区描述
NVIDIA 开发者技术交流
人工智能 企业社区
社区管理员
  • nvdev
  • 活动通知
  • AI_CUDA_Training
加入社区
  • 近7日
  • 近30日
  • 至今

试试用AI创作助手写篇文章吧