Návrh Školení

Úvod do TinyML a Edge AI

  • Co je TinyML?
  • Výhody a výzvy AI na mikrokontrolérech
  • Přehled nástrojů pro TinyML: TensorFlow Lite a Edge Impulse
  • Případová použití TinyML ve IoT a skutečném světě

Nastavení vývojového prostředí pro TinyML

  • Instalace a konfigurace Arduino IDE
  • Úvod do TensorFlow Lite pro mikrokontrolery
  • Použití Edge Impulse Studio pro vývoj TinyML
  • Připojení a testování mikrokontrolérů pro AI aplikace

Vytváření a školení modelů strojového učení

  • Pochopení pracovního postupu TinyML
  • Sběr a předzpracování dat ze senzorů
  • Školení modelů strojového učení pro zastrukturovanou AI
  • Optimalizace modelů pro nízkou spotřebu a reálný časový zpracování

Nasazování AI modelů na mikrokontroléry

  • Převod AI modelů do formátu TensorFlow Lite
  • Flashování a spouštění modelů na mikrokontrolérech
  • Ověřování a ladění implementací TinyML

Optimalizace TinyML pro výkon a efektivitu

  • Techniky kvantizace a komprese modelů
  • Strategie správy energie pro AI na hranici
  • Omezení paměti a výpočetních zdrojů ve zastrukturované AI

Praktická použití TinyML

  • Rozpoznávání gest pomocí dat akcelerometru
  • Třídění zvuků a detekce klíčových slov
  • Detekce výkonnostních anomálií pro předpovědnou údržbu

Bezpečnost a budoucí trendy v TinyML

  • Zajištění ochrany osobních údajů a bezpečnosti v aplikacích TinyML
  • Výzvy společného učení na mikrokontrolérech
  • Nástupná výzkumy a pokroky v TinyML

Shrnutí a další kroky

Požadavky

  • Zkušenosti s programováním vnořených systémů
  • znalost programování v Pythonu nebo C/C++
  • Základní znalosti konceptů strojového učení
  • Pochopení hardware mikrokontrolerů a jejich periferií

Cílová skupina

  • Inženýři vnořených systémů
  • Vývojáři AI
 21 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie