Návrh Školení

Úvod do Edge AI a TinyML

  • Přehled AI u hraničního zařízení
  • Výhody a výzvy při běhu AI na zařízeních
  • Použití v robotice a automatizaci

Základy TinyML

  • Strojové učení pro systémy s omezenými zdroji
  • Kvantizace, řezání a komprese modelů
  • Podporované rámce a hardwarové platformy

Vývoj a převod modelu

  • Trenování lehkých modelů pomocí TensorFlow nebo PyTorch
  • Převod modelů na TensorFlow Lite a PyTorch Mobile
  • Testování a ověřování přesnosti modelu

Implementace on-device inferencí

  • Nasazení AI modelů na vestavěné desky (Arduino, Raspberry Pi, Jetson Nano)
  • Začlenění inferencí do robotického vnímání a ovládání
  • Běh predikcí v reálném čase a monitorování výkonu

Optimalizace pro edge výkon

  • Snížení latence a spotřeby energie
  • Akcelerace hardwaru pomocí NPUs a GPU
  • Benchmarking a profilování vestavěné inferencí

Edge AI rámce a nástroje

  • Práce s TensorFlow Lite a Edge Impulse
  • Prozkoumání možností nasazení PyTorch Mobile
  • Ladění a optimalizace vestavěných ML pracovních postupů

Poučné začlenění a případové studie

  • Návrh edge AI systémů pro roboty
  • Začlenění TinyML do ROS-bazovaných architektur robotiky
  • Případové studie: autonomní navigace, detekce objektů, prediktivní údržba

Závěr a další kroky

Požadavky

  • Porozumění vestavěným systémům
  • Zkušenosti s programováním v Pythonu nebo C++
  • Oznámení o základních konceptech strojového učení

Účastníci

  • Vestavění vývojáři
  • Robotičtí inženýři
  • Systémoví integrátoři pracující na inteligentních zařízeních
 21 hodiny

Počet účastníků


Cena za účastníka

Reference (1)

Nadcházející kurzy

Související kategorie