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 a optimalizace modelů
- Chápání hraničního výpočtu a úloh AI
- Kompromisy: výkon vs. omezení zdrojů
- Přehled strategií optimalizace modelů
Výběr a předtrénování modelů
- Volba lehkých modelů (např. MobileNet, TinyML, SqueezeNet)
- Chápání architektur modelů vhodných pro hraniční zařízení
- Použití předem trénovaných modelů jako základu
Jemné přizpůsobování a transferové učení
- Principy transferového učení
- Přizpůsobení modelů vlastním datovým sadám
- Praktické pracovní postupy jemného přizpůsobování
Kvantizace modelů
- Techniky kvantizace po tréninku
- Kvantizačně připravené trénování
- Posouzení a kompromisy
Zřezávání a komprese modelů
- Strategie zřezávání (strukturované vs. nestrukturované)
- Komprese a sdílení vah
- Testování komprimovaných modelů
Frameworks a nástroje pro nasazení
- TensorFlow Lite, PyTorch Mobile, ONNX
- Kompatibilita hraničního hardware a běhová prostředí
- Toolchainy pro krosplatformní nasazení
Praktické nasazení
- Nasazení na Raspberry Pi, Jetson Nano a mobilní zařízení
- Profilace a testování výkonu
- Řešení problémů při nasazení
Shrnutí a další kroky
Požadavky
- Chápání základů strojového učení
- Zkušenosti s Pythonem a rámci pro hluboké učení
- Odborná znalost vestavěných systémů nebo omezení hraničních zařízení
Cílová skupina
- Vývojáři vestavěné AI
- Odborníci na hraniční výpočet
- Inženýři strojového učení se zaměřující na nasazení na hranici
14 hodiny