Εξέλιξη Κομματιού

Εισαγωγή σε Edge AI και NVIDIA Jetson

  • Περίληψη των εφαρμογών edge AI.
  • Εισαγωγή στη υποδομή NVIDIA Jetson.
  • Συνιστώσες του JetPack SDK και εξέλιξη του περιβάλλοντος ανάπτυξης.

Ρύθμιση του Περιβάλλοντος Ανάπτυξης

  • Εγκατάσταση του JetPack SDK και ρύθμιση του πλίττου Jetson.
  • Κατανόηση του TensorRT και βελτιοποίησης των μοντέλων.
  • Ρύθμιση του λειτουργικού περιβάλλοντος.

Βελτιοποίηση Μοντέλων ΤΝ για Edge Eφαρμογή

  • Τεχνικές κβάντιζασης (quantization) και αποκλείστικης πρόσωσης (pruning).
  • Χρήση του TensorRT για την επιτάχυνση των μοντέλων.
  • Μετατροπή των μοντέλων σε πρότυπο ONNX.

Εφαρμογή Μοντέλων ΤΝ σε Jetson Devices

  • Εκτέλεση ανάκτησης (inference) με το TensorRT.
  • Ολοκλήρωση AI μοντέλων σε εφαρμογές πραγματικού χρόνου.
  • Βελτιοποίηση της απόδοσης και μείωση της καθυστέρησης.

Οπτικός Υπολογισμός και Βάθυς Μάθημα (Deep Learning) σε Jetson

  • Εφαρμογή μοντέλων ταξινόμησης εικόνων και ανίχνευσης αντικειμένων.
  • Χρήση AI για πραγματικού χρόνου ανάλυση βίντεο.
  • Εφαρμογή AI-ενισχυμένων εφαρμογών ρομπότ στής.

Ασφάλεια και Βελτίωση της Απόδοσης Edge AI

  • Συντήρηση ασφάλειας των μοντέλων ΤΝ σε συσκευές edge.
  • Αποδοτικότητα ενέργειας και χειρισμός θερμότητας.
  • Μετακλίμαξη AI εφαρμογών σε πλατφόρμες Jetson.

Εφαρμογή Προ젝τών και Πρακτικές Αποδόσεις

  • Δημιουργία AI-ενισχυμένων IoT λύσεων.
  • Εφαρμογή ΤΝ σε αυτόνομα συστήματα.
  • Σπουδή περιπτώσεων εφαρμογής AI σε edge συσκευές.

Περίληψη και Επόμενα Βήματα

Απαιτήσεις

  • Εμπειρία με καλλιέργεια (training) και ανάκτηση (inference) μοντέλων ΤΝ.
  • Βασική γνώση των εμφυτευμένων συστημάτων.
  • Γνωριμία με τη γλώσσα προγραμματισμού Python.

Απευθυνόμαστε σε

  • Αναπτυξευτές ΤΝ.
  • Εμφυτευμένοι μηχανικοί.
  • Μηχανικοί ρομπότ στής.
 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Εφεξής Μαθήματα

Σχετικές Κατηγορίες