Návrh Školení

Úvod do TinyML a Edge AI

  • Co je TinyML?
  • Výhody a výzvy AI na mikrokontrolérech
  • Přehled nástrojů TinyML: TensorFlow Lite a Edge Impulse
  • Příklady použití TinyML v IoT a aplikacích v reálném světě

Nastavení vývojového prostředí TinyML

  • Instalace a konfigurace Arduino IDE
  • Úvod do TensorFlow Lite pro mikrokontroléry
  • Použití Edge Impulse Studio pro vývoj TinyML
  • Připojení a testování mikrokontrolérů pro aplikace AI

Stavba a školení Machine Learning Modely

  • Pochopení pracovního postupu TinyML
  • Sběr a předzpracování senzorových dat
  • Školení modelů strojového učení pro vestavěnou umělou inteligenci
  • Optimalizace modelů pro zpracování s nízkou spotřebou a v reálném čase

Nasazení modelů AI na Microcontrollers

  • Převod modelů AI do formátu TensorFlow Lite
  • Blikající a běžící modely na mikrokontrolérech
  • Ověřování a ladění implementací TinyML

Optimalizace TinyML pro výkon a efektivitu

  • Techniky pro kvantování a kompresi modelu
  • Strategie řízení spotřeby pro edge AI
  • Paměťová a výpočetní omezení ve vestavěné AI

Praktické aplikace TinyML

  • Rozpoznávání gest pomocí údajů akcelerometru
  • Klasifikace zvuku a rozpoznávání klíčových slov
  • Detekce anomálií pro prediktivní údržbu

Bezpečnost a budoucí trendy v TinyML

  • Zajištění soukromí a bezpečnosti dat v aplikacích TinyML
  • Výzvy federovaného učení na mikrokontrolérech
  • Vznikající výzkum a pokrok v TinyML

Shrnutí a další kroky

Požadavky

  • Zkušenosti s programováním vestavěných systémů
  • Znalost programování Python nebo C/C++
  • Základní znalost konceptů strojového učení
  • Pochopení hardwaru mikrokontroléru a periferií

Publikum

  • Inženýři vestavěných systémů
  • Vývojáři AI
 21 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie