Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie do Edge AI i TinyML

  • Przegląd AI na urządzeniach brzegowych
  • Korzyści i wyzwania związane z uruchamianiem AI na urządzeniach
  • Przypadki użycia w robotyce i automatyzacji

Podstawy TinyML

  • Uczenie maszynowe dla systemów o ograniczonych zasobach
  • Kwantyzacja, przycinanie i kompresja modeli
  • Obsługiwane frameworki i platformy sprzętowe

Tworzenie i konwersja modeli

  • Trenowanie lekkich modeli przy użyciu TensorFlow lub PyTorch
  • Konwersja modeli do TensorFlow Lite i PyTorch Mobile
  • Testowanie i walidacja dokładności modeli

Implementacja wnioskowania na urządzeniu

  • Wdrażanie modeli AI na płytkach wbudowanych (Arduino, Raspberry Pi, Jetson Nano)
  • Integracja wnioskowania z percepcją i sterowaniem robotów
  • Uruchamianie prognoz w czasie rzeczywistym i monitorowanie wydajności

Optymalizacja wydajności na urządzeniach brzegowych

  • Redukcja opóźnień i zużycia energii
  • Przyspieszenie sprzętowe przy użyciu NPU i GPU
  • Benchmarking i profilowanie wnioskowania na urządzeniach wbudowanych

Frameworki i narzędzia Edge AI

  • Praca z TensorFlow Lite i Edge Impulse
  • Eksploracja opcji wdrażania PyTorch Mobile
  • Debugowanie i dostrajanie przepływów pracy ML na urządzeniach wbudowanych

Praktyczna integracja i studia przypadków

  • Projektowanie systemów percepcji Edge AI dla robotów
  • Integracja TinyML z architekturami robotyki opartymi na ROS
  • Studia przypadków: autonomiczna nawigacja, wykrywanie obiektów, przewidywanie konserwacji

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie systemów wbudowanych
  • Doświadczenie w programowaniu w Pythonie lub C++
  • Znajomość podstawowych koncepcji uczenia maszynowego

Grupa docelowa

  • Programiści systemów wbudowanych
  • Inżynierowie robotyki
  • Integratorzy systemów pracujący nad inteligentnymi urządzeniami
 21 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie