Le KTH entraîne ses modèles de Deep Learning sur la plateforme Qarnot

Il y a quelques mois, des étudiants du KTH Royal Institute of Technology nous ont contactés afin que nous les aidions dans leur projet de voiture autonome (https://www.kthformulastudent.se/). Nous sommes ravis de soutenir un projet aussi innovant pour l'une des principales écoles d'ingénieurs en Europe et espérons qu'ils remporteront la compétition !

Vous pouvez lire leur témoignage ci-dessous :

Faisant partie de l'équipe KTH Formula Student, nous construisons une voiture monoplace à roues ouvertes, pilotée de manière autonome et sans conducteur, afin de participer à la compétition FSG 2020. L'un des aspects importants de la construction d'un tel véhicule est la perception de l'environnement, comme la détection des obstacles, des personnes, des routes, etc.

Pour les besoins de la compétition, nous devions détecter des cônes de signalisation de différentes couleurs et tailles. Les solutions de Deep Learning (DL) pour la perception ont connu un succès retentissant récemment. Nous avons donc décidé de développer notre propre solution de deep learning pour détecter les cônes. Notre solution est basée sur l'architecture de réseau neuronal YOLOv3. Pour améliorer les performances, ce réseau doit être entraîné pour détecter de manière fiable les cônes, c'est-à-dire leur position et leur couleur.

Le plus grand défi dans le développement d'une telle solution est de disposer d'une ressource de calcul à grande échelle pour l'entraînement, nos ordinateurs portables grand public n'étant pas assez performants. C'est là que nous avons utilisé les services fournis par Qarnot.

Qarnot nous a fourni le matériel informatique le plus avancé ainsi qu'une bonne quantité de RAM. Qarnot nous a permis d'exécuter notre solution dans le cloud au sein d'un conteneur Docker. L'un des avantages est qu'une fois le système configuré, nous n'avons plus à nous soucier du nouveau matériel ou des pilotes. Le téléchargement des données s'est déroulé de manière très fluide grâce à leur interface web.

Un modèle de Deep Learning nécessite un certain nombre d'itérations pour l'entraîner avec différentes configurations afin d'atteindre les meilleures performances. Grâce aux services de Qarnot, ces itérations ont été rapides pour nous, car nous avons pu entraîner notre modèle plus rapidement, ce qui nous a fait économiser beaucoup de temps. De plus, nous sommes en mesure d'accéder aux résultats intermédiaires et à la progression de l'entraînement depuis n'importe où, sans avoir besoin d'être à un emplacement physique. Cela rend l'entraînement plus pratique.