Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la IA de borde y el Ascend 310
- Visión general de la IA de borde: tendencias, restricciones y aplicaciones
- Arquitectura del chip Huawei Ascend 310 y cadena de herramientas compatible
- Posicionamiento de CANN dentro del stack de despliegue de IA de borde
Preparación y conversión de modelos
- Exportación de modelos entrenados desde TensorFlow, PyTorch y MindSpore
- Uso de ATC para convertir modelos al formato OM para dispositivos Ascend
- Manejo de operaciones no compatibles y estrategias de conversión ligera
Desarrollo de pipelines de inferencia con AscendCL
- Uso de la API de AscendCL para ejecutar modelos OM en el Ascend 310
- Preprocesamiento de entrada/salida, manejo de memoria y control del dispositivo
- Despliegue dentro de contenedores embebidos o entornos de ejecución ligeros
Optimización para restricciones de borde
- Reducción del tamaño del modelo, ajuste de precisión (FP16, INT8)
- Uso del perfilador de CANN para identificar cuellos de botella
- Gestión de la disposición de la memoria y el flujo de datos para el rendimiento
Despliegue con MindSpore Lite
- Uso del entorno de ejecución de MindSpore Lite para objetivos móviles y embebidos
- Comparación entre MindSpore Lite y el pipeline crudo de AscendCL
- Empaquetado de modelos de inferencia para despliegue específico de dispositivo
Escenarios de despliegue de borde y estudios de caso
- Estudio de caso: cámara inteligente con modelo de detección de objetos en Ascend 310
- Estudio de caso: clasificación en tiempo real en un hub de sensores IoT
- Monitoreo y actualización de modelos desplegados en el borde
Resumen y siguientes pasos
Requerimientos
- Experiencia en flujos de trabajo de desarrollo o despliegue de modelos de IA
- Conocimientos básicos de sistemas embebidos, Linux y Python
- Familiaridad con marcos de aprendizaje profundo como TensorFlow o PyTorch
Audiencia
- Desarrolladores de soluciones IoT
- Ingenieros de IA embebida
- Integradores de sistemas de borde y especialistas en despliegue de IA
14 Horas
Reseñas (1)
Podemos cubrir temas avanzados y trabajar con ejemplos de la vida real
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Curso - Advanced Edge AI Techniques
Traducción Automática