第六届 NVIDIA Sky Hackathon 大赛于近日圆满落幕！疫情期间，大家克服了设备使用及团队沟通等重重阻碍，经过为期 1 个月的努力，共计 32 支队伍完成了比赛。恭喜各位获奖的小伙伴，也感谢所有参赛队伍带来的精彩表现！希望大家再接再厉，将 AI 技术应用到生活中的方方面面。
NVIDIA Riva 可提供经过全面优化的流程，用于部署实时 AI 语音应用（例如转录和虚拟助理）。
NVIDIA Aerial 是一个应用框架，用于构建高性能、软件定义、云原生的 5G 应用，以满足消费者日益增长的需求。在 GPU 上并行处理基带信号和数据流，优化结果。
NVIDIA 4 月份推出了新一代嵌入式开发套件 Jetson AGX Orin，这是目前市场上性能强大、体积小巧，且节能的 AI 超级计算机，适用于高级机器人、自主机器以及下一代嵌入式和边缘计算。
USD 是 NVIDIA Omniverse™ 的基础，这个实时协作平台可让各种内容创作工具相互连接。
NVIDIA Omniverse Code 目前仍处于测试阶段，这是一款 Omniverse 应用，可作为集成开发环境 (IDE)，供开发者和高级用户轻松构建自己的 Omniverse 扩展程序、应用或微服务。
NVIDIA Omniverse 基于 Pixar 的 Universal Scene Description 和 NVIDIA RTX技术打造，是一款可扩展的多 GPU 实时推理开发平台，用于实现 3D 模拟和设计协作。
NVIDIA CUDA 工具包提供了开发环境，可供创建经 GPU 加速的高性能应用。借助 CUDA 工具包，您可以在经 GPU 加速的嵌入式系统、台式工作站、企业数据中心、基于云的平台和 HPC 超级计算机中开发、优化和部署应用。此工具包中包含多个 GPU 加速库、多种调试和优化工具、一个 C/C++ 编译器以及一个用于部署应用的运行环境库。
利用新的预训练模型以及 ONNX 模型权重导入、REST API 和 TensorBoard 可视化等功能大幅提升生产力和模型训练速度。
无需在 AI 专业知识上投入巨资，即可加速 AI 模型开发。借助 NVIDIA TAO 工具套件，您可以更快、更轻松地加速训练，并快速创建高度准确、性能出众的域特定 AI 模型。
机器人技术领域充满着激动人心而有趣的问题，但有时也会遇到一些令人沮丧的问题，比如传感器校准、构建转换树、管理分布式系统以及调试脆弱系统中的奇怪故障。
很多开发人员在转换完TensorRT加速引擎之后，最后准备调用起来执行推理任务的时候，就遇到一些障碍。这个环节是需要开发人员自行撰写相关代码，去执行读入数据（前处理）、执行推理、显示结果（后处理）等工作，如下图最右边的部分。
前面我们花了很多力气在 TAO 上面训练模型，其最终目的就是要部署到推理设备上发挥功能。除了将模型训练过程进行非常大幅度的简化，以及整合迁移学习等功能之外，TAO 还有一个非常重要的任务，就是让我们更轻松获得 TensorRT 加速引擎。
当前面已经训练好修剪过的模型之后，接下来就可以在训练设备上先执行推理计算，看看检测的效果如何？如果实际推理结果并不理想的话，就得回到前面第 6 步骤重新再执行一次。
TAO 工具提供提供 QAT (Quantize Aware Training) 量化感知的训练模式，不过目前 QAT 效果还在验证当中，倒也不急于使用，因此我们还是以标准模式来训练，就是将配置文件中 training_config 设置组的 “enable_qat” 参数设为 “false” 就行，然后直接执行指令块的命令，TAO 就会启动视觉类容器来执行模型训练任务。
物件检测 (objectdetection) 或物件定位 (object location) 是目前普及度最高的人工智能应用，也是过去几年中神经网络发展最迅猛的领域，短短几年之中创造出非常多优异的经典算法，并且各有所长，如今在数量与质量上都还持续进化中，这现象其实也是造成使用者很大困扰之处，因为究竟哪种神经网络最适合您的使用场景，最...
Q：黄仁勋在主题演讲中介绍H100拥有4.9TB/s的带宽，但是H100 4.9TB/s的带宽是如何计算得来的呢？由于内存带宽为3TB/s，NVLink带宽为900GB/s，那么外部总带宽意味着什么？
图像分类 (image classification) 是视觉人工智能的最基础应用，目前 TAO 模型训练工具支持 resnet、vgg、mobilenet_v1、mobilenet_v2、googlenet、cspdarknet、darknet、efficientnet_b0、efficientnet_b1、cspdarknet_tiny 等 10 种神经网络，其中 resnet、vgg、darknet、cspdarknet 还有不同结构层数的区分。
前面的系列文章里提过，TAO 工具将模型训练的绝大部分技术难题都进行抽象化处理，大幅度减轻开发人员的负担，唯独数据集的收集与整理仍须由人工自行处理，这几乎是留给操作人员的最后工作了。
“优质数据”是训练出好模型的前提，如同食材对于料理的重要性，是一样的道理。通用类数据集能应付大部分实验用途的需求，但面对很多特定场景时就不是那么管用了，例如在工业上的 PCB 板瑕疵检测、物流分拣功能、农业蔬果采摘、医学肿瘤分享等应用，就需要在实际场景中采集现场数据。
