Kom i kontakt

Kursplan

Introduktion till Edge AI och TinyML

  • Översikt över AI vid kanten
  • Fördelar och utmaningar med att köra AI på enheter
  • Användningsfall inom robotik och automation

Grunderna i TinyML

  • Maskininlärning för resursbegränsade system
  • Modellkvantisering, beskärning och komprimering
  • Stödda ramverk och hårdvaruplattformar

Modellutveckling och konvertering

  • Träning av lätta modeller med TensorFlow eller PyTorch
  • Konvertering av modeller till TensorFlow Lite och PyTorch Mobile
  • Testning och validering av modellnoggrannhet

Implementering av on-device-inferens

  • Distribution av AI-modeller till inbäddade kort (Arduino, Raspberry Pi, Jetson Nano)
  • Integrering av inferens med robotperception och styrning
  • Körning av realtidsförutsägelser och övervakning av prestanda

Optimering för edge-prestanda

  • Minskning av latens och energiförbrukning
  • Hårdvaruacceleration med NPU:er och GPU:er
  • Benchmarking och profilning av inbäddad inferens

Edge AI-ramverk och verktyg

  • Arbete med TensorFlow Lite och Edge Impulse
  • Utforskning av distributionsalternativ för PyTorch Mobile
  • Felsökning och justering av inbäddade ML-flöden

Praktisk integration och fallstudier

  • Design av edge AI-perceptionssystem för robotar
  • Integrering av TinyML med ROS-baserade robotarkitekturer
  • Fallstudier: autonom navigation, objektdetektion, prediktiv underhållning

Sammanfattning och nästa steg

Krav

  • Kännedom om inbäddade system
  • Erfarenhet av Python eller C++-programmering
  • Kännedom om grundläggande begrepp inom maskininlärning

Målgrupp

  • Inbäddade utvecklare
  • Robottekniker
  • Systemintegratorer som arbetar med intelligenta enheter
 21 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (2)

Kommande Kurser

Relaterade Kategorier