Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction au TinyML dans l'agriculture
- Compréhension des capacités du TinyML
- Cas d'usage agricoles clés
- Contraintes et avantages de l'intelligence sur périphérique
Écosystème matériel et capteurs
- Microcontrôleurs pour l'IA de périphérie
- Capteurs agricoles courants
- Considérations énergétiques et de connectivité
Collecte et prétraitement des données
- Méthodes d'acquisition de données sur le terrain
- Nettoyage des données des capteurs et environnementales
- Extraction de fonctionnalités pour les modèles de périphérie
Construction de modèles TinyML
- Sélection de modèles pour appareils contraints
- Flux de travail d'entraînement et validation
- Optimisation de la taille et de l'efficacité des modèles
Déploiement des modèles sur les appareils de périphérie
- Utilisation de TensorFlow Lite pour microcontrôleurs
- Flashage et exécution des modèles sur le matériel
- Dépannage des problèmes de déploiement
Applications d'agriculture intelligente
- Évaluation de la santé des cultures
- Détection des ravageurs et des maladies
- Contrôle de l'irrigation de précision
Intégration IoT et automatisation
- Connexion de l'IA de périphérie aux plateformes de gestion agricole
- Automatisation pilotée par les événements
- Flux de travail de surveillance en temps réel
Techniques d'optimisation avancées
- Stratégies de quantification et de réduction (pruning)
- Approches d'optimisation de la batterie
- Architectures évolutives pour les grands déploiements
Synthèse et prochaines étapes
Pré requis
- Maîtrise des flux de travail de développement IoT
- Expérience dans le travail avec des données de capteurs
- Comprendre de base des concepts de l'IA embarquée
Public cible
- Ingénieurs agritech
- Développeurs IoT
- Chercheurs en IA
21 Heures