<p style="\'margin-top:" 16px;margin-bottom:="" 16px;outline:="" 0px;max-width:="" 100%;box-sizing:="" border-box;overflow-wrap:="" break-word;letter-spacing:="" 0.544px;white-space:="" normal;border-width:="" 0px;border-style:="" initial;border-color:="" initial;font-variant-numeric:="" inherit;font-variant-east-asian:="" inherit;font-stretch:="" inherit;font-size:="" 18px;line-height:="" 1.5em;font-family:="" dinwebpro,="" "helvetica="" neue",="" helvetica,="" roboto,="" "droid="" sans",="" sans-serif;vertical-align:="" baseline;color:="" rgb(26,="" 26,="" 26);text-align:="" left;background-color:="" rgb(255,="" 255,="" 255);\'="">

在没有人工智能专业知识的情况下

微调预训练模型

 

 

 

为不同用例定制预训练模型

那么，如何在不花费太多时间和精力的情况下定制预训练模型呢？你可以使用 NVIDIA TAO ，一个人工智能模型适应平台，来简化你的开发工作流程。TAO 工具套件是 NVIDIA TAO 基于 CLI 和 Jupyter 笔记本电脑的解决方案，可以非常轻松地使用自己的数据微调预训练模型。不需要人工智能专业知识。

TAO 工具套件具有高度的可扩展性，可以帮助您使模型适应新环境、扩充数据或添加新类。

下面是 NVIDIA whitepaper 中突出的三个例子，它探索了加速 AI 工作流过程的行之有效的方法。

适应不同的相机类型 ：假设您想要为红外或热敏摄像头部署解决方案。您可以使用 PeopleNet 模型，该模型已经在数百万张图像上进行了训练。只需对 2500 张图像进行微调，即可获得接近 80% 的地图。

扩充有限的数据集： 数据收集非常耗时。通过离线或在线数据扩充，您可以修改数据集。增加数据集会增加更多的变化和随机性，从而实现模型泛化。这提高了模型对以前从未见过的数据的准确性。

添加新类： 假设您被要求创建一个应用程序，用于检测人们骑自行车时是否戴头盔。有了 TAO 工具套件，您可以使用一个检测人的模型 , 并向该模型添加一个新的“头盔类”。使用包含人员和头盔类的数据集对其进行微调。

 

当您消除 AI 框架的复杂性时，您可以专注于重要的事情：缩短 AI 应用程序的 TTM 。TAO 工具套件使您可以非常轻松地训练、调整和优化预训练模型，而无需大型训练数据集和人工智能专业知识。