Návrh Školení

Úvod do Edge AI pro počítačový zpracování obrazu

  • Přehled o Edge AI a jeho výhodách
  • Porovnání: Cloud AI vs. Edge AI
  • Klíčové výzvy v reálném čase zpracování obrazu

Nasazování deep learning modelů na hraničních zařízeních

  • Úvod do TensorFlow Lite a OpenVINO
  • Optimalizace a kvantizace modelů pro nasazení na hraničních zařízeních
  • Případová studie: Spuštění YOLOv8 na hraničním zařízení

Hardware pro zrychlení reálného času inferencí

  • Přehled o hardwaru hraničního výpočetního zařízení (Jetson, Coral, FPGA)
  • Využití zrychlování GPU a TPU
  • Benchmarking a hodnocení výkonu

Detekce a sledování objektů v reálném čase

  • Implementace detekce objektů pomocí modelů YOLO
  • Sledování pohybujících se objektů v reálném čase
  • Zlepšení přesnosti detekce pomocí fúze senzorů

Optimalizační techniky pro Edge AI

  • Snížení velikosti modelu s využitím odřezávání a kvantizace
  • Techniky pro snížení zpoždění a spotřeby energie
  • Přehození a další učení modelů Edge AI

Integrace Edge AI s systémy IoT

  • Nasazování AI modelů na inteligentní kamery a zařízení IoT
  • Edge AI a rozhodování v reálném čase
  • Komunikace mezi hraničními zařízeními a cloudovými systémy

Bezpečnost a etické aspekty ve Edge AI

  • Starosti s ochranou údajů v aplikacích Edge AI
  • Zajištění bezpečnosti modelů proti nepřátelským útokům
  • Dodržování pravidel pro AI a principů etického užívání AI

Shrnutí a další kroky

Požadavky

  • Znalost konceptů počítačového vidění
  • Zkušenosti s Pythonem a hlubokými učícími frameworky
  • Základní znalosti výpočetní techniky na okraji a IoT zařízeních

Cílová skupina

  • Inženýři pro počítačové vidění
  • Vývojáři AI
  • Odborníci v oblasti IoT
 21 hodiny

Počet účastníků


Price per participant

Reference (1)

Upcoming Courses

Související kategorie