MATLAB et Simulink pour l'IA embarquée

Déployer des applications de Machine Learning et de Deep Learning sur des systèmes embarqués

Avec MATLAB et Simulink, vous pouvez concevoir, simuler, tester, vérifier et déployer des algorithmes d'IA qui améliorent les performances et les fonctionnalités des systèmes embarqués complexes.

Pourquoi MATLAB et Simulink ?

Déploiement avec des ressources limitées

Générez automatiquement du code optimisé pour le déploiement d'applications d'IA embarquée.

Génération de code pour les modèles de Deep Learning

Génération de code pour les modèles de Machine Learning

Simulations et tests avec Simulink

Utilisez l'IA avec Simulink pour simuler et tester l'intégration de modèles d'IA dans des systèmes complexes.

Le Deep Learning avec Simulink

Estimation de l'état de charge d'une batterie avec le Deep Learning

Accès à des modèles d'IA préentraînés

Exploitez des modèles préentraînés embarqués et des modèles de PyTorch^® et TensorFlow™.

Modèles de Deep Learning préentraînés

Convertir des modèles de Deep Learning entre PyTorch et MATLAB

Vérification pour les systèmes critiques

Développez des systèmes embarqués complexes basés sur l'IA pour des applications industrielles et critiques.

Deep Learning Toolbox Verification Library

Sur la voie de la certification en IA

Utilisation de MATLAB et Simulink pour le déploiement de l'IA embarquée

Découvrez comment préparer des modèles d'IA et générer automatiquement du code pour déployer des applications d'IA embarquée sur des CPU, des GPU, des FPGA, etc. Consultez des tutoriels, des exemples et des vidéos pour obtenir des conseils pratiques sur l'IA embarquée avec MATLAB et Simulink.

Capture d'écran d'un graphe multicouche, de statistiques de calibrage et de résultats de validation afin d'optimiser les modèles d'IA pour un déploiement embarqué.

Déployer sur des CPU et des microcontrôleurs

Générez du code C/C++ portable et optimisé à partir de modèles de Machine Learning et de Deep Learning entraînés avec MATLAB Coder et Simulink Coder.

Générer du code C/C++générique pour les réseaux de Deep Learning

Développer et déployer un réseau de neurones pour les MCU en 4 étapes (3:41)

Génération de code pour un réseau LSTM sur Raspberry Pi

Capture d'écran de code C/C++ dans Simulink déployé sur des images d'un GPU embarqué et desktop NVIDIA.

Déployer sur des GPU

Générez du code CUDA^® optimisé pour les réseaux de Deep Learning entraînés avec GPU Coder pour le déploiement sur des ordinateurs, des serveurs et des GPU embarqués.

Génération de code pour la détection de défauts sur des PCB grâce au réseau YOLOX

Prédiction utilisant le Deep Learning avec NVIDIA TensorRT

Génération de code pour un modèle Simulink de Deep Learning pour classifier des signaux ECG

Exécution d'une inférence de Deep Learning basée sur FPGA sur un hardware de prototypage depuis MATLAB, puis génération d'un cœur IP HDL de Deep Learning en vue d'un déploiement sur n'importe quel FPGA ou ASIC.

Déployer sur des FPGA et des SoC

Prototypez et implémentez des réseaux de Deep Learning sur des FPGA et des SoC grâce à Deep Learning HDL Toolbox. Générez des bitstreams et des cœurs IP de processeur de Deep Learning personnalisés avec HDL Coder.

Utiliser MATLAB pour le prototypage d'un réseau de Deep Learning sur FPGA Xilinx (3:25)

Utiliser MATLAB pour le prototypage d'un réseau de Deep Learning sur FPGA Intel (3:24)

Déployer un modèle de régression utilisant un réseau de neurones sur une plateforme FPGA/ASIC

Compression de modèle d'IA

Compressez des réseaux de neurones profonds grâce à la quantification, à la projection ou à l'élagage pour réduire l'empreinte mémoire et augmenter la performance d'inférence.

Réduire l'empreinte mémoire des réseaux de neurones profonds

Déployer efficacement de petits réseaux de neurones sur des microcontrôleurs

Compresser un réseau de classification d'images pour le déployer sur des dispositifs embarqués à ressources limitées