Návrh Školení

Úvod do TinyML

  • Co je TinyML?
  • Proč spouštět AI na mikrokontrolérech?
  • Výzvy a výhody TinyML

Nastavení vývojového prostředí pro TinyML

  • Přehled nástrojů pro TinyML
  • Instalace TensorFlow Lite for Microcontrollers
  • Práce s Arduino IDE a Edge Impulse

Vytváření a nasazování modelů TinyML

  • Trénink AI modelů pro TinyML
  • Převod a komprese AI modelů pro mikrokontroléry
  • Nasazování modelů na nízkopásové hardware

Optimalizace TinyML pro energetickou efektivitu

  • Kvantizační techniky pro kompresi modelů
  • Doba zpoždění a úvaha o spotřebě energie
  • Rozhodování mezi výkonem a energetickou efektivitou

Výpočetní odvození v reálném čase na mikrokontrolérech

  • Zpracování dat senzorů pomocí TinyML
  • Spouštění AI modelů na Arduino, STM32 a Raspberry Pi Pico
  • Optimalizace odvození pro reálné časové aplikace

Integrace TinyML s IoT a okrajovými aplikacemi

  • Propojení TinyML se zařízeními IoT
  • Bezdrátová komunikace a přenos dat
  • Nasazování AI podporovaných řešení IoT

Skutečné aplikace a budoucí trendy

  • Užití v zdravotnictví, zemědělství a průmyslovém monitoringu
  • Budoucnost ultra-nízkopásové AI
  • Další kroky ve výzkumu a nasazování TinyML

Shrnutí a další kroky

Požadavky

  • Přehled o vnořených systémech a mikrokontrolerech
  • Zkušenosti s základy umělé inteligence nebo strojového učení
  • Základní znalost programování v C, C++ nebo Pythonu

Cílová skupina

  • Inženýři pro vnořené systémy
  • Vývojáři IoT
  • Vědcové v oblasti umělé inteligence
 21 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie