Skip to main content

OpenZeka MARC – Mini Otonom Araç Yarışması

OpenZeka MARC – Mini Otonom Araç Yarışması 13 Nisan 2019 günü Bilkent Üniversitesi’nde start alıyor.

Yapay zeka algortimalarının kullanıldığı OpenZeka MARC, 18 Takım ve 110 yarışmacıyla ikinci kez yapılacak. Bu yarışta katılımcılar geliştirdikleri otonom araç algortimalarıyla birinci olmak için kıyasıya yarışacak. 

Otonom araçlarda kullanılan derin öğrenme algortimaları ve yüksek teknoloji ürünü donanımlar ile bu yarış robotik alanında birçok yeniliği bünyesinde barındırıyor. Keyifli bir vakit geçirmek ve otonom teknolojisi hakkında bilgi almak isteyen herkesi yarışmayı izlemeye davet ediyoruz.

Yarışma kategorileri;

Üniversite Ligi

Lise Ligi

Otonom Sistem Geliştirici Ligi

Daha fazla bilgi almak için: https://marc.openzeka.com

Kayıt yaptırmak için: http://openzeka.eventbrite.com/

Yarışmayı izlemeye sadece kayıt yaptıranlar katılabilir. Koltuk sayısı sınırlıdır.

Yarışma tanıtım videosu:

NVIDIA Jetson Nano Developer Kit

NVIDIA Jetson Nano Geliştirici Kiti, modern yapay zeka algoritmalarının çalıştırılabilmesi için gerekli olan hesaplama kabiliyetini eşsiz bir boyut, güç tüketimi ve fiyat ile ortaya koyuyor. Geliştiriciler, kendi kendine öğrenenler ve makerlar görüntü sınıflandırma, nesne tespiti, segmentasyon ve dil işleme gibi yapay zeka yazılım geliştirme ortamlarını ve modellerini artık çalıştırabilir.

Geliştirici kitine micro-USB üzerinden güç verilebilir ve kit GPIO’dan CSI’a kadar geniş bir I/O yelpazesi ile gelir. Bu sayede geliştiriciler, çeşitli yapay zeka uygulamalarını hayata geçirmek için kolay bir şşekilde çeşitli sensörler bağlayabilirler. Aynı zamanda 5 watt’lık tüketim ile inanılmaz bir enerji verimliliğine sahiptir.

Jetson Nano aynı zamanda derin öğrenme, görüntü işleme, GPU programlama, multimedya işleme ve daha fazlası için gerekli olan kart destek paketi (BSP), Linux İşletim Sistemi, NVIDIA CUDA®, cuDNN ve TensorRT™ yazılım kütüphanelerini içeren NVIDIA JetPack yazılımı tarafından desteklenmektedir. Hatta yazılıma kolayca formatlanabilir bir SD kart imajı kullanılarak da ulaşılabilir. Böylece hızlı ve kolay bir şekilde başlangıç yapılabilir.

Aynı JetPack SDK, bütün NVIDIA Jetson(™) ürün ailesinde kullanılmaktadır ve NVIDIA’nın dünyada öncü model eğitim ve model yerleştirme platform yazılımı tarafından tamamıyla desteklenmektedir. Bu kendini kanıtlamış yazılım bloğu karmaşıklığı ve geliştiricilerin harcadığı fazladan emeği en aza indirger.

Teknik Özellikler

GPUNVIDIA Maxwell™, 128 CUDA Çekirdeği
CPU4-core ARM A57 @ 1.43 GHz
Bellek4 GB 64 Bit LPDDR4 | 25.6 GB/s
DepolamamicroSD (kutu içeriğine dahil değildir)
Video4K @ 30 | 4x 1080p @ 30 | 9x 720p @ 30 (H.264/H.265) Encoder
4K @ 60 | 2x 4K @ 30 | 8x 1080p @ 30 | 18x 720p @ 30| (H.264/H.265) Decoder
Kamera1x MIPI CSI-2 DPHY lanes
BağlantıGigabit Ethernet, M.2 Key E
EkranHDMI 2.0 and eDP 1.4
USB4x USB 3.0, USB 2.0 Micro-B
DiğerGPIO, I2C, I2S, SPI, UART
Boyutlar100 mm x 80 mm x 29 mm

Kit İçeriği

  • NVIDIA® Jetson™ Nano Modül ve Taşıyıcı Kart
  • Hızlı Başlangıç ve Destek Kılavuzu

Hemen Satın Al

Derin Öğrenme, Konuşma Şeklinden Depresyonu Tespit Ediyor

“Konuşma terapisi” genellikle psikoterapistler tarafından hastaların konuşma yoluyla depresyon veya anksiyetenin üstesinden gelmesine yardımcı olmak için kullanılır.

Massachusetts Teknoloji Enstitüsü’ndeki bir araştırma ekibi, hastanın konuşmasını analiz ederek, depresyon belirtilerini tespit ederek “konuşma teşhisi” olarak adlandırılabilecek olanı ortaya çıkarmak için derin öğrenme kullanıyor.

Araştırma, ciddi ve zihinsel sağlık sorunlarının etkili ve ucuz bir şekilde teşhis edilmesini sağlıyor.

Ulusal Ruh Sağlığı Enstitüsüne göre, ABD’deki 15 erişkinden birinin, herhangi bir yılda büyük bir depresyon geçirdiği bildiriliyor. Bu durum bir insanın hayatında ciddi aksamalara yol açabilir. Buna rağmen depresyon hakkındaki çalışmalar ve edinilen bilgi sınırlı kalmıştır.

Depresyonu tanımlamak için kullanılan teknikler tipik olarak
zihin sağlığı uzmanları tarafından doğrudan sorular soran ve sonuçlar çıkaran uygulamalardan oluşur.

Gelecekte, bu işaretli değerlendirmeler, MIT araştırma asistanı ve bilgisayar bilimi bölümün baş araştırmacılarından Tuka Alhanai’ye göre daha az gerekli olabilir. Takımının çalışmalarının, devam eden kişisel ruh sağlığı takip çalışmalarının bir parçası haline gelmesini öngörüyor.

Kilit Nokta: Veri Seti

Derin öğrenmeye başlamanın kilit noktası iyi veri elde etmektir.

Bu; Alhanai’nin ekibinin, modellerini eğitmeye başlarken karşılaştıkları bir zorluktu. Özellikle katılımcıların depresyonda olduğu zaman yaptıkları konuşmaların veri setini arıyordu.

Sonunda, % 20’sinde depresyon belirtileri olan 180 kişilik bir grupla röportaj yapmak için Alman araştırmacılarla bir araya gelen Güney Kaliforniya Üniversitesi’nden birini buldu. Görüşmeler, kişilerin nerede yaşadığı, arkadaşlarının kim olduğu ve kendilerini depresyonda hissedip hissetmedikleri hakkında 20 dakikalık sorulardan oluşuyordu.

Araştırmacıların, depresyonun aslında konuşma şekilleri ve sözcükler ile tespit edilebileceği sonucuna varması Alhanai’yi de aynı kanıya varma konusunda cesaretlendirdi. Alhanai işi bir adım öteye taşıyıp öngörücü soruları kaldırıp bunun yerine normal, günlük konuşma sırasında depresyonu tespit etmek için bir model geliştirmek istedi.

“Verilerde sizi, insanların depresyona girip girmediği hakkında ipuçları verecek önemli işaretler var” dedi. “Genel konuşmayı dinlersiniz; konuşmayı, konuşmanın gidişatını ve içindeki şeylerin söylendiği daha geniş bir bağlamı anlarsınız.”

Alhanai ve ekibi, 40’ın üzerinde NVIDIA TITAN X GPU’yu çalıştıran bir dizi makinenin işlem gücünü, TensorFlow, Keras ve cuDNN derin öğrenme kütüphaneleriyle birleştirdi ve modellerini eğitmek için çalışmaya başladı.

Modele; veri setinden, yapılan görüşmelerin bir kısmını verdiler. Açık soruları ve depresyona atıfta bulunarak, mevcut depresyon ipuçlarının olup olmadığını belirleme işini modele bıraktılar. Ardından, modeli sağlıklı bir kişiden ve depresif bir kişiden kaydedilen konuşma bölümlerine maruz bıraktılar ve daha sonra modele konuşmaların kime ait olduğunu söylediler.

Yeterince tekrardan sonra araştırmacılar modele, konuşmanın başka bir bölümünü vererek olası bir depresyon belirtisi olup olmadığına karar vermelerini isteyeceklerdir. Ekip bu şekilde onlarca model eğitti. Bu, Alhanai’nin GPU’lara erişimin olmadan mümkün olmayacağını söylediği bir şey.

Neler Geliştirilmeli?

Eğitim, normal görüşme yapılarak depresyon durumunun çıkarımı konusunda yüzde 70’ten fazla doğrulukla belirlediği bir modelle sonuçlandı – zihinsel sağlık uzmanlarının tanılarına uygun olarak – her bir deney TITAN X’te gerçekleşti.

Ekip, bulgularını Hindistan’ın Haydarabad kentinde düzenlenen Interspeech 2018 konferansında sunulan bir bildiride rapor etti ve şimdi çalışmayı bir üst seviyeye taşımak için hazırlanıyor.

Alhanai, “Bu çalışma çok cesaret verici” dedi. “Bu sistemleri oraya çıkarma ve değerlendirme amacıyla tahminler yapmalarını sağlayın – henüz klinik olarak kullanmak için değil, daha fazla veri toplamak ve güvenilirliği fazla bir sistem oluşturmak için.”

Doğal olarak, Alhanai daha hızlı ve daha güçlü GPU’lara erişmeyi arzu ediyor, böylece daha büyük veri kümeleriyle daha fazla deneme yapabilir. Ancak uzun vadeli görüşü, iletişimi analiz etmek için derin öğrenmeyi kullanmanın (sadece konuşma değil) diğer zihinsel sağlık koşullarını tanılama ve yönetme konusundaki etkisini araştırmaktır.

“Bir makine, yapılan konuşmayı bir insanın duyabildiği ve hissedebildiği
ya da diğer jestlerden anlayabildiği herhangi bir durumu tespit edebilmelidir” dedi. “Sinyalin ne olduğu önemli değil – konuşma olabilir, yazı olabilir, çene hareketi olabilir, kas gerginliği olabilir.”

Kaynak: NVIDIA Blogs

DRIVE Software 8.0 Güvenli Sürüş için Çevre Algısını ve Artırılmış Gerçeklik’i (AR) Kullanıyor

Gelişmiş algılama, görselleştirme ve haritalama yeteneklerini tek bir sürümde birleştiren DRIVE Software 8.0, güvenli bir sürüş için yolunuzdakileri görmenizi kolaylaştırıyor sağlar.

2019 Ocağının ilk haftası CES’te açıklanan geniş DRIVE Software paketinin en yeni sürümü, AI tarafından desteklenen gelişmiş otomatik sürüş ve kabin içi kullanıcı deneyimi işlevlerine sahiptir. DRIVE Software 8.0’ın çoğu özelliği de yeni tanıtılan DRIVE AutoPilot sisteminin özelliğidir. Bu sürüm yakın tarihte geliştiricilere sunulacak.

NVIDIA DRIVE Software, DRIVE AGX platformunun bilgi işlem yetenekleri tarafından desteklenen açık bir yazılım paketidir. DRIVE OS işletim sistemi, DriveWorks yazılım kütüphanesi, otonom sürüş için yazılım uygulamaları geliştirmek için zengin bir SDK ve otonom sürüş için DRIVE AV ve DRIVE IX yazılım uygulamalarından oluşur.

Drive Software 8.0 Nedir?

Bu sürümle, geliştiriciler artık hem araç sensörleri hem de sürücü izleme için HD görselleştirmeye ve daha gelişmiş çevre algısına erişebiliyor.

Araç içi görselleştirme, yolcular için otonom bir aracın beyninin içinin gerçek zamanlı görünümünü sunar. Otomobilin gördüklerini, nesneleri nasıl sınıflandırdığını ve gelecekteki hareketleri nasıl planladığını ve bu kararların nasıl değiştiğini saniye saniye gösterir. Ayrıca, artırılmış gerçeklik kullanarak otonom araç yazılımı geliştiricileri bu verileri geliştirici dostu bir biçimde görselleştirebilir ve izleyebilir.

Bu sürüm ayrıca, DRIVE Software 8.0’i otonom sürüş gelişimi için son derece gelişmiş, açık bir yazılım platformu yapan yazılımın algılama yeteneklerine yönelik güncellemeler, nesne tanımada iyileştirme ve araç çevresinde 360 derecelik bir görünüm sunmayı da içerir.

Yolun ve Sürücünün İzlenmesi

DRIVE IX, sensör verilerini görsel bir ekrana çevirerek üreticilerin bir aracın girişlerini, algılarını ve yol planlamasını hem gerçek zamanlı olarak hem de kayıtlı veriler üzerinden izlemelerine olanak sağlıyor. Geliştiriciler
araç sürerken verileri aracın içindeki ekrandan görüntüleyebilirler. Görselleştirme beş aşamada çalışır: hisset, algıla, harita, planla ve sür.

Hissetme aşamasında, ekran aracın nesne tanıma için kullandığı işlenmemiş kamera verilerini gösterir. Buradan, algılayıcı aşama, sınır belirten kutular kullanarak aracın nesne tanıma sürecinin yanı sıra 50 metre uzaklıktaki nesneler için etiketler belirtir. Bu aşama aynı zamanda harita aşamasını gösterir, ekran otomobil tarafından algılanan şerit çizgilerini vurgular ve plan aşaması aracın gideceği yolu gösterir. Son olarak sürüş aşaması, aracın istenen yolu takip etmek için gerçekleştirdiği direksiyon, hızlanma ve fren hareketlerini gösterir. Gerçek zamanlı olarak, geliştiriciler araç kullanırken bu beş görünüm arasında geçiş yapabilir.

Sürücünün izlenmesi için benzer bir süreç gerçekleşir. Sürücüye bakan bir kamera kullanarak, derin sinir ağları bir sürücünün uykulu olduğunu veya dikkatinin dağıldığını izleyebilir. Yeni görselleştirme güncellemesiyle, sürücüler ve yolcular bu işlemi gerçek zamanlı olarak görebilirler.

Sürüş görselleştirmesinde olduğu gibi, sürücü izleme ekranı işlenmemiş kamera verilerini ilk algılama aşamasında göstererek bu aşamada yüz ve göz tanımlaması yapabilir. Pist aşamasında görselleştirme, sürücünün kafasının açısını ve bakışlarının yönünü detaylandırır. Ayrıca, sürücünün uykulu (kahve fincanı simgesiyle gösterilen) veya dikkatinin dağılmasının (yola verdiği dikkatin köşedeki bir zamanlayıcı tarafından takip edilip edilmediğini) analiz edilmesi görüntüleme aşamasında gösterilir. Her iki durumda da, algoritmalar bu tehlikeli durumları tespit ettiğinde video kırmızı renktedir.

Gelişmiş Algılama ve Haritalama

Gelişmiş görselleştirmelere ek olarak, DRIVE Software 8.0, yeni derin sinir ağları ile daha da fazla otonom sürüş geliştirme deneyimi için DRIVE AV’deki geçmiş algı ve diğer yetenekleri kullanır.

Bu ağlardan biri olan LightNet, hem ok işaretli hem de işaretsiz trafik lambalarını tanımlar ve yeşil, sarı veya kırmızı olup olmadıklarını ayırt edebilir. Bunun yanında SignNet, hız sınırı, “Tek Yön”, “Girilmez” ve “Dur” işaretlerini içeren bir dizi trafik işaretini tanır.

Bu sürümde, DRIVE AV ayrıca geliştiricilerin araç sensörlerinden kendi dijital haritalarına veri yüklemelerine olanak sağlayan DRIVE MapStream özelliğini de içeriyor. Bu haritalar, otonom otomobillerin kendilerini yolda konumlandırmalarını ve inşaat bölgeleri veya kapalı şerit gibi engelleri öngörmeleri için kritik öneme sahiptir.

Yollarda, daha güvenli ve otomotiv sınıfı otonom sürüş teknolojisine sahip olmak için DRIVE Software 8.0, üreticilerin üretime hazır otonom araçlara bir adım daha yaklaşmasını sağlayacak şekilde Ocak ayında geliştiricilere sunulacaktır.

Kaynak: NVIDIA Blog

Yapay Sinir Ağları Düşünceleri Nasıl Okur – Felçli Bacaklara Hareketi Nasıl Geri Getirir

2010 yılında Kuzey Carolina kıyılarından arkadaşlarıyla Atlantik Okyanusu’na dalarken, o zaman bir üniversite öğrencisi olan Ian Burkhart, göğüs hizasından aşağısını felce uğratacak yıkıcı bir omurilik yaralanması geçirdi.

Ancak sinir ağları ile güçlendirilmiş bir beyin-bilgisayar arayüzü ile artık sağ elini kullanarak nesneleri toplayıp, herhangi bir bardağa sıvı doldurabiliyor ve Guitar Hero oynayabilir.

Burkhart, Ohio State Üniversitesi ve yakınlardaki bağımsız bir araştırma ve geliştirme kuruluşu olan Battelle tarafından yürütülen klinik bir araştırmaya katılan ilk kişi.

Ian Burkhart, Ohio State Üniversitesi’nin Wexner Tıp Merkezi’nde bir gitar oyunu oynuyor.

Burkhart’ın beynine yerleştirilen bir Blackrock Microsystems mikroçipi, Battelle’de geliştirilen algoritmalarla çalışan bir bilgisayara bağlanıyor. Algoritmalar sinirsel aktivitesini yorumlayıp sağ elindeki bir elektrot kılıfına sinyal gönderiyor. Battelle’de de bulunan kola takılan bu kılıf, kolundaki sinirleri ve kasları belirli bir el hareketini ortaya çıkarmak için uyarıyor.

Şimdilik, Burkhart sadece NeuroLife adındaki sistemi, Ohio Eyaletinde bulunan bir laboratuardayken kullanabiliyor. Ancak nihai amaç, NeuroLife’ın kullanıcının, kendi evinde rahatça kullanacak kadar taşınabilir hale gelmesidir.

Battelle’deki kıdemli araştırma istatistikçisi ve yazar Nature Medicine’de yayınlanan son makalelerinde “Evdeki insanlar NeuroLife sistemini yemek yemek, dişlerini fırçalamak ve giyinmek gibi günlük işler için kullanabilirlerse bu, bağımsız yaşama yetenekleri üzerinde büyük bir etki yaratacaktır” dedi.

“Kullanıcının ve bakıcısının ayarlayabileceği ve her şeyin çalışmasını sağlamak için odada bir sürü doktora ve mühendise gerek kalmayacak kadar kolay hale getirmek istiyoruz” dedi.

Yapay Sinir Ağları Sinir Sinyallerini Okuyor

Yapay Zeka ile protez ellerden işitme cihazlarına kadar çok çeşitli yardımcı teknoloji araçları geliştirilmektedir. Derin öğrenme modelleri, konuşma bozukluğu olan bireyler için sentezlenmiş bir ses sağlayabilir, görme engellilerin görmesine yardımcı olabilir ve işaret dilini metne çevirebilir.

Yardımcı cihaz geliştiricilerin derin öğrenmeye dönmesinin bir nedeni, gürültülü sinyalleri – beyindeki elektriksel aktiviteyi deşifre etmekte başarılı sonuçlar vermesidir.

Bir NVIDIA Quadro GPU kullanarak, derinlemesine bir sinirsel kod çözücü – sinirsel aktiviteyi amaçlanan komut sinyallerine dönüştüren algoritma – özel el hareketlerini yapmayı düşünmesi istenen Burkhart ile senaryo halindeki oturumlarda beyin sinyalleri üzerinde eğitildi. Sinir ağı, hangi beyin sinyallerinin hangi hareketlere karşılık geldiğini öğrendi.

Bununla birlikte, güçlü sinirsel kod çözme sistemleri yaratmada önemli bir zorluk beyin sinyallerinin günden güne değişmesidir. Battelle’nin ileri düzey analitik grubundaki en önemli araştırma istatistikçilerinden Michael Schwemmer, “Bir gün yorgunsanız veya dikkatiniz dağılmışsa bu durum farklı hareketleri kontrol etmek için gereken sinirsel aktivite modellerini etkileyebilir” dedi.

Sinir ağını yeniden kalibre etmek için Burkhart elini belirli şekillerde hareket ettirmeyi düşünmelidir. Eylül 2018’deki bu görüntüde Ohio State Üniversitesi’nin Wexner Tıp Merkezi’nde çalışıyor.

Böylelikle Burkhart haftada iki kez laboratuvara girdiğinde, her bir seans sinir kod çözücüsünün 15-30 dakikalık bir yeniden kalibrasyonu ile başladı – bu sırada elinin farklı kısımlarını hareket ettirmeyi nasıl düşüneceğine dair yazılmış senaryolara çalıştı.

İki haftada bir yapılan bu oturumlar, iki sinir ağını güncellemek için kullanılan yeni beyin verileri üretti. Biri denetimli öğrenme için etiketlenmiş veriyi, diğeri denetimsiz öğrenmeyi kullandı.

Birlikte, bu ağlar Burkhart’ın beyin sinyallerinin kodunu çözmede ve hakkında düşündüğü hareketleri öngörmede yüzde 90’ın üzerinde doğruluk elde etti. Denetimsiz model, bu doğruluk seviyesini bir yıldan fazla sürdürdü ve açık bir şekilde yeniden kalibrasyon gerektirmedi.

Derin öğrenmenin kullanılması, bir kullanıcının beyin sinyallerini işlemek ve elektrot kılıfına göndermek için NeuroLife sisteminin harcadığı zamanı da azalttı. Tepki süresindeki gecikme, önceki yöntemlere göre yüzde 11’lik bir iyileştirme ile 0.8 saniyeye düşürüldü.

“Bir bardak su almaya çalışıyorsanız, düşünmek ister ve hareket edersiniz. Uzun bir gecikme istemezsiniz” dedi Friedenberg. “Bu, dikkatlice ölçtüğümüz bir şey.”

Kaynak: NVIDIA Blog