Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
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
Reference (1)
I genuinely enjoyed the hands-on approach.