Prenez contact avec nous

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires