Le Deep machine learning et cloud computing avec KTH Royal Institute of Technology & Qarnot
Depuis sa fondation en 1827, le KTH Royal Institute of Technology de Stockholm est devenu l'une des principales universités techniques et d'ingénierie d'Europe.
Le FSG : un concours exigeant
En tant que membre de l'équipe KTH Formula Student, nous construisons une voiture à roues ouvertes sans conducteur à conduite autonome pour participer au FSG 2020. L'un des aspects importants de la construction d'une telle voiture est la perception de l'environnement, par exemple détection d'obstacles, de personnes, de routes, etc.
Pour les besoins du concours, nous devions détecter des cônes de signalisation de différentes couleurs et tailles. Les solutions d'apprentissage profond (DL) en perception ont connu un énorme succès dans un passé récent. Par conséquent, nous avons décidé de créer notre propre solution d'apprentissage en profondeur pour détecter les cônes. Notre solution est basée sur l'architecture de réseau de neurones YOLOv3. Pour améliorer les performances, ce réseau doit être formé pour détecter de manière fiable les cônes signifiant la position et la couleur.
De la puissance de calcul pour entraîner le modèle
Le plus grand défi du développement d'une telle solution est d'avoir une ressource de calcul à grande échelle pour la formation et nos ordinateurs portables à usage général ne sont pas assez bons. C'est là que nous avons utilisé les services fournis par Qarnot.
Qarnot nous a fourni le matériel informatique le plus avancé et une bonne taille de RAM. Qarnot nous a permis d'exécuter notre solution dans le cloud dans un conteneur Docker. L'un des avantages est qu'une fois le système configuré, nous n'avons plus à nous soucier du nouveau matériel et des nouveaux pilotes. Le téléchargement des données était vraiment fluide avec leur interface Web.
Un modèle d'apprentissage profond nécessite un certain nombre d'itérations pour entraîner le modèle avec différentes configurations afin d'obtenir les meilleures performances. Avec les services Qarnot, ces itérations étaient rapides pour nous car nous pouvions entraîner notre modèle plus rapidement et cela nous faisait gagner beaucoup de temps. De plus, nous sommes en mesure d'accéder aux résultats intermédiaires et aux progrès d'entraînement de n'importe où et nous n'avons pas besoin d'être dans un emplacement physique. Cela rend la formation plus pratique.