英伟达给了技术与工具，我用Python做个口罩检测模型 数据、算法和计算力是推动人工智能发展的三大要素。随着高性能 GPU、TPU 的出现，人们正在将 AI 技术的利用推向极致。 近年来，AI 模型不断突破性能的上限，在解决问题的能力变得更强的同时，体量也越做越大。这导致了训练成本的不断攀升，训练过程也变得更加复杂，对于很多开发者和小型企业来说，也是一种「不能承受之重」。 今年，英伟达发布了人工智能模型适应平台NVIDIA TAO（Train, Adapt, and Optimize）。这是一个可以简化和加速企业 AI 应用和服务创建的 AI 模型快速开发平台。 NVIDIA TAO 通过基于用户界面的指导性工作流程，让用户可以使用自定义数据对预训练模型进行微调，无需掌握大量训练运行和深度 AI 专业知识，在数小时内（原本需要数月）产生高度精确的计算机视觉、语音和语言理解模型。 TAO 平台汇集了加速模型适应过程所需的各种 NVIDIA 技术，使用的是对用户完全抽象化的 TensorFlow 和 PyTorch 框架。用户通过书面规范文件操作 TAO 工具套件，无需学习 DL 框架。 为了深入了解和快速上手NVIDIA TAO，加速模型训练、优化过程，英伟达联合机器之心推出「详解NVIDIA AI模型快速开发平台TAO」三期线上分享，通过英伟达专家的理论解读和实战经验分享，向读者展示如何使用 TAO快速完成模型的训练、适应和优化，加速企业 AI 应用和服务创建。 11月30日，系列分享第二期：基于Python的口罩检测模块代码解析——快速搭建基于TensorRT和NVIDIA TAO 受今年新冠疫情的影响，快速的人脸口罩检测成为了目前一个比较火热的话题。在不同的场景下，快速训练并部署一个属于自己的口罩检测模型成为了搭建高效防疫机制的关键。 本次分享将介绍如何利用 NVIDIA TAO Toolkit，在 Python 的环境下快速训练并部署一个人脸口罩监测模型，并会详细介绍如何利用该工具对模型进行剪枝、评估与优化。 TAO Toolkit 内包含了 150 个预训练模型，用户不用从头开始训练，极大地减轻了准备样本的工作量，让开发者专注于模型的精度提升。在 TAO Toolkit 帮助加速模型训练时，TensorRT 还可以帮助在模型部署上进一步加速。NVIDIA TensorRT?是一种高性能深度学习推理优化器和运行时提供低延迟和高吞吐量的深度学习推理的应用程序。使用 TensorRT 可以优化神经网络模型、精确校准低精度，并最终将模型部署到超大规模的数据中心、嵌入式或汽车产品平台。 本次系列分享嘉宾是 NVIDIA 企业级开发者社区经理，他拥有多年的 GPU 和人工智能开发经验。自 2017 年加入 NVIDIA 开发者社区以来，完成过上百场培训，帮助上万个开发者了解人工智能和 GPU 编程开发。在计算机视觉，高性能计算领域完成过多个独立项目。并且，在机器人和无人机领域，有过丰富的研发经验。对于图像识别，目标的检测与跟踪完成过多种解决方案。曾经参与 GPU 版气象模式 GRAPES，是其主要研发者。 直播时间：北京时间11月30日19:30-21:00 分享摘要：NVIDIA TAO Toolkit的独到特性TensorRT 8.0的最新特性利用TAO Toolkit快速训练人脸口罩检测模型利用TensorRT 快速部署人脸口罩检测模型 直播间地址： https://jmq.h5.xeknow.com/s/2pbXsd（点击阅读原文直达） 报名方式：进入直播间——移动端点击底部「观看直播」、PC端点击「立即学习」——填写报名表单后即可进入直播间观看。 直播交流群：每次课程均有答疑环节，识别下方二维码加入交流群。 如群已超出人数限制，请添加其他小助手：syncedai2、syncedai3、syncedai4 或 syncedai5，备注「TAO」即可加入。 点击阅读原文，立即报名。 阅读原文