Kom i kontakt
 Varaktighet 21 timmar

Kursplan

Introduktion till Edge AI och TinyML

  • Översikt över AI på kanten
  • Fördelar och utmaningar med att köra AI på enheter
  • Användningsfall inom robotteknik och automation

Grundläggande TinyML

  • Maskininlärning för resursbegränsade system
  • Kvantisering, beskapning (pruning) och komprimering av modeller
  • Stödda ramverk och hårdvaruplattformar

Utveckling och konvertering av modeller

  • Träna lätta modeller med TensorFlow eller PyTorch
  • Konvertera modeller till TensorFlow Lite och PyTorch Mobile
  • Testa och validera modellernas noggrannhet

Implementation av inferens på enheten

  • Distribuera AI-modeller till inbäddade kort (Arduino, Raspberry Pi, Jetson Nano)
  • Integrera inferens med robotikens uppfattning (perception) och styrning
  • Köra realtidsprediktioner och övervaka prestanda

Optimering för prestanda på kanten

  • Minska latens och energiförbrukning
  • Hårdvaruaccelerering med hjälp av NPUs och GPUs
  • Prestandatest (benchmarking) och profilering av inbäddad inferens

Edge-AI-ramverk och verktyg

  • Arbeta med TensorFlow Lite och Edge Impulse
  • Utforska distributionsalternativ för PyTorch Mobile
  • Felsökning och justering av inbäddade ML-flöden

Praktisk integration och fallstudier

  • Designa edge-AI-uppfattningssystem för robotar
  • Integrera TinyML i ROS-baserade robotarkitekturer
  • Fallstudier: autonom navigation, objektdetektion, prediktiv underhållsservice

Sammanfattning och nästa steg

Krav

  • Kännedom om inbäddade system
  • Erfarenhet av Python eller C++-programmering
  • Till viss grad bekant med grundläggande maskininlärningskoncept

Målgrupp

  • Inbäddade utvecklare
  • Robottekniker
  • Systemintegratörer som arbetar med intelligenta enheter

Antal deltagare


Pris per deltagare

Vittnesmål (2)

Kommande Kurser

Relaterade Kategorier