Kontakt aufnehmen

Schulungsübersicht

Einführung in Edge AI und TinyML

  • Überblick über KI am Edge
  • Vorteile und Herausforderungen der KI-Ausführung auf Geräten
  • Anwendungsfälle in Robotik und Automatisierung

Grundlagen von TinyML

  • Maschinelles Lernen für ressourcenbeschränkte Systeme
  • Quantisierung, Pruning und Kompression von Modellen
  • Unterstützte Frameworks und Hardwareplattformen

Modellentwicklung und -konvertierung

  • Training schlanker Modelle mit TensorFlow oder PyTorch
  • Konvertierung von Modellen in TensorFlow Lite und PyTorch Mobile
  • Testen und Validieren der Modellgenauigkeit

Implementierung der On-Device-Inferenz

  • Bereitstellung von KI-Modellen auf eingebetteten Boards (Arduino, Raspberry Pi, Jetson Nano)
  • Integration der Inferenz mit robotischer Wahrnehmung und Steuerung
  • Ausführung von Echtzeit-Vorhersagen und Überwachung der Leistung

Optimierung für Edge-Leistung

  • Reduzierung von Latenz und Stromverbrauch
  • Hardware-Beschleunigung mittels NPUs und GPUs
  • Benchmarks und Profiling von eingebetteter Inferenz

Edge-AI-Frameworks und -Werkzeuge

  • Arbeit mit TensorFlow Lite und Edge Impulse
  • Untersuchung der Bereitstellungsoptionen für PyTorch Mobile
  • Fehlerdiagnose und Anpassung eingebetteter ML-Workflows

Praktische Integration und Fallstudien

  • Entwicklung von Edge-AI-Wahrnehmungssystemen für Roboter
  • Integration von TinyML in ROS-basierte Robotik-Architekturen
  • Fallstudien: Autonome Navigation, Objekterkennung, prädiktive Wartung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundverständnis von Embedded-Systemen
  • Erfahrung mit Python- oder C++-Programmierung
  • Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens

Zielgruppe

  • Embedded-Entwickler
  • Robotik-Ingenieure
  • Systemintegratoren im Bereich intelligenter Geräte
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien