Επικοινωνήστε μαζί μας
 Διάρκεια 21 Ώρες

Εξέλιξη Κομματιού

Εισαγωγή στην Edge AI και το TinyML

  • Επισκόπηση της AI στην άκρη (edge)
  • Πλεονεκτήματα και προκλήσεις της εκτέλεσης AI σε συσκευές
  • Περίπτωσεις χρήσης στη ρομποτική και την αυτοματοποίηση

Θεμέλια του TinyML

  • Machine learning για συστήματα με περιορισμένους πόρους
  • Ποσοτικοποίηση, διαβράχυνση και συμπίεση μοντέλων
  • Υποστηριζόμενα frameworks και πλατφόρμες υλικού

Ανάπτυξη και Μετατροπή Μοντέλων

  • Εκπαίδευση ελαφρών μοντέλων χρησιμοποιώντας TensorFlow ή PyTorch
  • Μετατροπή μοντέλων σε TensorFlow Lite και PyTorch Mobile
  • Δοκιμή και έλεγχο ακρίβειας μοντέλων

Υλοποίηση Συμπερασμού σε Συσκευή

  • Κατανομή μοντέλων AI σε ενσωματωμένες πλακέτες (Arduino, Raspberry Pi, Jetson Nano)
  • Ενσωμάτωση συμπερασμού με την αντίληψη και τον έλεγχο ρομποτικής
  • Εκτέλεση προβλέσεων σε πραγματικό χρόνο και παρακολούθηση απόδοσης

Βελτιστοποίηση για Απόδοση Edge

  • Μείωση της υστέρησης και της κατανάλωσης ενέργειας
  • Υλική επιτάχυνση χρησιμοποιώντας NPUs και GPUs
  • Βαθμονόμηση (benchmarking) και προφίλ (profiling) ενσωματωμένου συμπερασμού

Frameworks και Εργαλεία Edge AI

  • Εργασία με TensorFlow Lite και Edge Impulse
  • Εξερεύνηση επιλογών διαχείρισης PyTorch Mobile
  • Σήμανση (debugging) και ρύθμιση ροών εργασίας ενσωματωμένου ML

Πρακτική Ενσωμάτωση και Μελέτες Περίπτωσης

  • Σχεδιασμός συστημάτων αντίληψης Edge AI για ρομπότ
  • Ενσωμάτωση TinyML με αρχιτεκτονικές ρομποτικής βασισμένες σε ROS
  • Μελέτες περίπτωσης: αυτόνομη πλοήγηση, ανίχνευση αντικειμένων, προνοητική συντήρηση

Σύνοψη και Επόμενα Βήματα

Απαιτήσεις

  • Κατανόηση των ενσωματωμένων συστημάτων
  • Εμπειρία στη προγραμματιστική γλώσσα Python ή C++
  • Οικειότητα με βασικές έννοιες του machine learning

Σκοπός της Εκπαίδευσης

  • Αναπτύκτες ενσωματωμένων συστημάτων
  • Μηχανικοί ρομποτικής
  • Συντονιστές συστημάτων που εργάζονται σε έξυπνες συσκευές

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (2)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες