MATLAB Coder Support Package for PyTorch® and LiteRT Models vous permet de générer du code source C/C++, lisible et portable, à partir d'une variété de réseaux de Deep Learning pré-entraînés PyTorch et LiteRT (anciennement TensorFlow Lite). Vous pouvez intégrer l’application complète, y compris le pré- et post-traitement MATLAB et Simulink ainsi que les modèles de Deep Learning, dans vos projets C/C++ existants, sous forme de code source, de bibliothèques statiques ou de bibliothèques dynamiques. Vous pouvez ensuite déployer l’application complète sur différentes plateformes de hardware, des systèmes desktop au hardware embarqué.
Le support package vous permet également de générer du code CUDA® à partir des modèles PyTorch et LiteRT pour les GPU NVIDIA® récents, y compris ceux embarqués sur les plateformes NVIDIA Jetson™ et NVIDIA Clara™ (avec GPU Coder). Vous pouvez appliquer des personnalisations du code, des optimisations spécifiques au hardware et une vérification du code à l'aide de tests SIL (Software-in-the-Loop) et PIL (Processor-in-the-Loop) (avec Embedded Coder). Vous pouvez également générer du code à partir de modèles Simulink contenant les modèles PyTorch et LiteRT (avec Simulink Coder).
Points forts du produit
Générer du code source
Générez du code source C/C++, lisible et portable, à partir de modèles PyTorch et LiteRT pré-entraînés, incluant la logique de prétraitement et de post-traitement. Déployer du code généré et libre de droits, dans des applications commerciales pour vos clients, gratuitement. Vous pouvez également utiliser des fonctions intrinsèques spécifiques au processeur pour certaines cibles, notamment les microcontrôleurs Infineon© AURIX™ TC4x (avec Embedded Coder).
Exécuter sur du hardware
Compilez le code généré et exécutez-le sur tout support hardware supporté par votre compilateur, des systèmes desktop aux processeurs et microcontrôleurs embarqués. Ciblez n'importe quel dispositif en intégrant manuellement le code généré à votre application. Automatisez le processus pour sélectionner des cibles en utilisant des hardware support packages, y compris le MATLAB Support Package for Raspberry Pi et le MATLAB Coder Support Package for NVIDIA Jetson and NVIDIA DRIVE Platforms.
Optimiser le code généré
Générez des instructions SIMD (Single Instruction, Multiple Data) et parallélisez les boucles avec du code OpenMP multicœur. Générez du code intrinsèque spécifique au processeur avec Embedded Coder pour des cibles sélectionnées, notamment les microcontrôleurs ARM® Cortex®-M, Cortex-A, and Infineon AURIX TC4x, afin d'accélérer l'exécution.
Applications de Deep Learning
Utilisez des réseaux de Deep Learning PyTorch et LiteRT pour traiter différents types de données, et déployez les réseaux sur du hardware aux ressources limitées.
Signaux et données de séries temporelles
Utilisez le Deep Learning sur les signaux et données de séries temporelles pour des tâches telles que la détection d'anomalies, la classification de signaux, l'estimation de l'état de charge des batteries et la reconnaissance vocale. Générez du code et déployez des réseaux basés sur des réseaux de neurones récurrents (RNN), des LSTM (long short-term memory)/unités récurrentes à portes (GRU), des transformateurs et des autoencodeurs sur des CPU (y compris ARM Cortex-M, Cortex-A et Intel®) ainsi que sur des GPU NVIDIA.
Données d'images et de vidéos
Utilisez le Deep Learning sur les images et les vidéos pour classer les images, détecter et suivre les objets dans le cadre, et segmenter les régions d'image et de cadre en différents types d'objets. Générez du code et déployez des réseaux tels que YOLO11, DINOv2 et Depth Anything sur des CPU (y compris ARM Cortex-A et Intel) ainsi que sur des GPU NVIDIA.
Demander le support package
Contactez un expert technique.
