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 Edge AI y Ascend 310
- Visión general de Edge AI: tendencias, restricciones y aplicaciones.
- Arquitectura del chip Huawei Ascend 310 y cadena de herramientas soportada.
- Posicionamiento de CANN dentro de la pila de implementación de IA en el 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 soportadas y estrategias de conversión ligera.
Desarrollo de pipelines de inferencia con AscendCL
- Uso de la API AscendCL para ejecutar modelos OM en Ascend 310.
- Preprocesamiento de entradas/salidas, manejo de memoria y control de dispositivo.
- Implementación dentro de contenedores embebidos o entornos de tiempo de ejecución ligero.
Optimización para restricciones del borde
- Reducción del tamaño del modelo y ajuste de precisión (FP16, INT8).
- Uso del perfilador de CANN para identificar cuellos de botella.
- Gestión de la disposición de memoria y el flujo de datos para el rendimiento.
Implementación con MindSpore Lite
- Uso del tiempo de ejecución MindSpore Lite para objetivos móviles y embebidos.
- Comparación entre MindSpore Lite y el pipeline nativo de AscendCL.
- Empaquetado de modelos de inferencia para implementación específica de dispositivo.
Escenarios de implementación en el 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 implementados en el borde.
Resumen y próximos pasos
Requerimientos
- Experiencia en flujos de trabajo de desarrollo o implementación de modelos de IA.
- Conocimientos básicos de sistemas embebidos, Linux y Python.
- Familiaridad con marcos de aprendizaje profundo como TensorFlow o PyTorch.
Audiencia objetivo
- Desarrolladores de soluciones IoT.
- Ingenieros de IA embebida.
- Integradores de sistemas de borde y especialistas en implementación 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