想象一下,當你需要為某個工廠的生產(chǎn)車間構(gòu)建一個基于視覺的目標檢測應(yīng)用時。傳統(tǒng)方法需要花費大量時間采集數(shù)據(jù)樣本,而且當工廠車間的布局發(fā)生變化時,你需要重新采集大量數(shù)據(jù)。這樣的過程非常耗時、耗力,且對于數(shù)據(jù)的質(zhì)量和準確性有很高的要求?，F(xiàn)在我們可以利用合成數(shù)據(jù)技術(shù)在虛擬世界合成的數(shù)據(jù)來補充訓練數(shù)據(jù)集,這也是NVIDIA第八屆 Sky Hackathon大賽的主題。

本次大賽由NVIDIA企業(yè)開發(fā)者社區(qū)與創(chuàng)樂博聯(lián)合主辦,為期3周,吸引了來自48所高校的50個參賽隊伍報名參加,總共有245名參賽者(包括導師)。經(jīng)過緊張激烈的競爭,最終有29個團隊成功完成了比賽。

本次比賽以"工廠車間傳送帶上的紙箱檢測"為主題,參賽隊伍在比賽過程中經(jīng)歷了一系列的挑戰(zhàn)和學習機會?；顒雍w了數(shù)據(jù)合成、模型訓練、模型推理以及UI頁面搭建等過程。

在數(shù)據(jù)合成階段,每個隊伍根據(jù)提供的3D模型和場景,利用Omniverse Replicator進行數(shù)據(jù)合成。此過程旨在幫助學生們熟悉深度學習數(shù)據(jù)集的合成、收集、篩選、清理和標注過程。

接著,參賽隊伍需要根據(jù)組委會提供的教程,在自己的服務(wù)器上搭建環(huán)境,并進行目標檢測模型的訓練。這一步驟讓學生們親身體驗基于目標識別的深度學習模型的訓練過程。

訓練完成后,參賽隊伍將訓練好的模型部署在組委會提供的Jetson Xavier NX集群上,并利用NVIDIA TensorRT加速模型的推理過程。這個過程使學生們了解到利用NVIDIA TAO對模型進行剪枝等優(yōu)化的重要性,以及TensorRT的部署能力。

為了提供更好的用戶交互體驗,每個隊伍還需要自行搭建了UI頁面,創(chuàng)建一個完整的應(yīng)用系統(tǒng)。

參賽者通過參與本次活動,不僅能夠?qū)W習到深度學習模型訓練的實際過程,還能夠親自體驗Omniverse Replicator合成訓練數(shù)據(jù)、NVIDIA TensorRT對模型的部署、Jetson Xavier NX在實際場景中的應(yīng)用等領(lǐng)域的知識。

最終來自北京建筑大學、浙大寧波理工學院,以及東南大學和中國科學技術(shù)大學的同學們斬獲前三名,分別獲得由創(chuàng)樂博公司贊助的NVIDIA Jetson Orin NANO開發(fā)套件一套。第四名至第20名,也將獲得創(chuàng)樂博公司贊助的Jetson NANO開發(fā)套件。

“NVIDIA Omniverse能夠很好支撐起data-centric的深度學習研究實踐;而NVIDIA Tao開發(fā)工具包讓本身需要很高工程要求的模型訓練部署環(huán)節(jié)變得非常便捷;Sky hackathon對AI的大眾普及很有意義!”來自東南大學,也是本次大賽第三名獲勝團隊的隊長劉夢陽同學說。

“本次比賽旨在為參賽者們打開了人工智能領(lǐng)域的大門,為他們未來的學習和職業(yè)發(fā)展奠定了堅實的基礎(chǔ)。參賽者們通過實際操作和團隊合作,不僅提高了技術(shù)水平,還培養(yǎng)了解決問題和創(chuàng)新的能力。” NVIDIA GPU 應(yīng)用市場總監(jiān)侯宇濤表示。

“我們期待著未來的比賽和活動,為更多的學生提供機會,展示他們的才華和創(chuàng)造力。同時,我們也期望這樣的比賽能夠進一步推動人工智能技術(shù)的發(fā)展,為工業(yè)和社會帶來更多的創(chuàng)新和進步?！?創(chuàng)樂博總經(jīng)理蒲茂表示

感謝所有參與者和支持者的努力和支持,讓本次活動取得了圓滿成功。讓我們一同期待未來人工智能領(lǐng)域的發(fā)展和突破!

審核編輯黃宇