| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | ||||
| 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 11 | 12 | 13 | 14 | 15 | 16 | 17 |
| 18 | 19 | 20 | 21 | 22 | 23 | 24 |
| 25 | 26 | 27 | 28 | 29 | 30 | 31 |
- Motion compensate
- PointCloud
- 3-sigma rule
- VLS-128
- Multi threaded
- Phase Lock
- HDmap
- Quaternion 연산
- PointCloud Frame
- Data Race
- Reflectivity
- Coding Test
- 센서셋
- Phase Offset
- ApolloAuto
- PYTHON
- nvidia
- coordinate system
- Smart Pointer
- Alpha Prime(VLS-128)
- timestamp
- Frame rate
- object detection
- Azimuth
- Interference Pattern
- lidar
- Alpha Prime
- Single threaded
- Veloview
- Data Packet
- Today
- Total
목록nvidia (2)
엔지니어 동행하기
NVIDIA TensorRT(딥러닝 모델 최적화 엔진)의 장점과 가속 기법
TensorRT 란 학습된 Deep Learning 모델을 최적화하여 NVIDIA GPU 상에서의 Inference 속도를 수 배 ~ 수십 배 수십 배까지 향상하는 모델 최적화 엔진을 말합니다. 왜 TensorRT를 써야 하는지 그 장점과, 가속 기법을 이해함으로써 알 수 있습니다. 관련하여 NVIDIA Technical Blog의 포스팅을 더 알기 쉽게 정리해 설명드리겠습니다. TensorRT를 사용하지 않는 경우, Trained model을 바로 Inference에 사용하게 되는데, 학습된 모델에 대한 Optimization Step을 추가하여, Inference를 속도를 향상한다고 정리할 수 있습니다. TensorRT의 장점 3가지 1. 대부분의 Deep Learning Frameworks (Ten..
Object Detection with CUDA-PointPillars
(해당 포스팅은 NVIDIA Technical BLOG를 참고하여 작성하였습니다. ) Jetson Platform에서 사용할 수 있는 CUDA-PointPillars 모델의 Pipeline를 설명드립니다. OpenPCDet Toolbox에서 제공하는 PointPillars 모델은 ONNX model로 export 할 수 없습니다. 또한 TensorRT에서 low performance를 갖는 small operation을 많이 갖고 있어 CUDA-PointPillars를 개발하였습니다. CUDA-PointPillars 의 Pipeline 다음의 4단계를 통해 Point Cloud에서 Object Detect을 수행한다. Base preprocessing 이 단계에서는 다음 3가지가 계산된다. 이 값들은 O..