Edge AI for Computer Vision: Real-Time Image Processing

• Znajomość koncepcji widzenia komputerowego
• Doświadczenie z Python i frameworkami głębokiego uczenia się
• Podstawowa wiedza na temat przetwarzania brzegowego i urządzeń IoT

Publiczność

• Inżynierowie wizji komputerowej
• Programiści AI
• Specjaliści IoT

Edge AI dla Computer Vision rewolucjonizuje analizę obrazu i wideo w czasie rzeczywistym, umożliwiając modelom AI uruchamianie bezpośrednio na urządzeniach brzegowych, zmniejszając opóźnienia i poprawiając wydajność.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla inżynierów wizji komputerowej na poziomie średnim i zaawansowanym, programistów AI i specjalistów IoT, którzy chcą wdrożyć i zoptymalizować modele wizji komputerowej do przetwarzania w czasie rzeczywistym na urządzeniach brzegowych.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawy Edge AI i jego zastosowania w wizji komputerowej.
• Wdrożyć zoptymalizowane modele głębokiego uczenia się na urządzeniach brzegowych do analizy obrazu i wideo w czasie rzeczywistym.
• Używać frameworków takich jak TensorFlow Lite, OpenVINO i NVIDIA Jetson SDK do wdrażania modeli.
• Optymalizacja modeli AI pod kątem wydajności, efektywności energetycznej i wnioskowania o niskim opóźnieniu.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do Edge AI dla Computer Vision

• Przegląd Edge AI i jego zalety
• Porównanie: Cloud AI vs Edge AI
• Kluczowe wyzwania w przetwarzaniu obrazu w czasie rzeczywistym

Wdrażanie modeli Deep Learning na urządzeniach brzegowych

• Wprowadzenie do TensorFlow Lite i OpenVINO
• Optymalizacja i kwantyzacja modeli do wdrażania na urządzeniach brzegowych
• Studium przypadku: Uruchamianie YOLOv8 na urządzeniu brzegowym

Akceleracja sprzętowa dla wnioskowania w czasie rzeczywistym

• Przegląd sprzętu do obliczeń brzegowych (Jetson, Coral, FPGA)
• Wykorzystanie akceleracji GPU i TPU
• Benchmarking i ocena wydajności

Wykrywanie i śledzenie obiektów w czasie rzeczywistym

• Implementacja wykrywania obiektów za pomocą modeli YOLO
• Śledzenie poruszających się obiektów w czasie rzeczywistym
• Zwiększenie dokładności wykrywania dzięki fuzji czujników

Techniki optymalizacji dla Edge AI

• Zmniejszanie rozmiaru modelu za pomocą przycinania i kwantyzacji
• Techniki zmniejszania opóźnień i zużycia energii
• Ponowne szkolenie i dostrajanie modelu Edge AI

Integracja Edge AI z systemami IoT

• Wdrażanie modeli AI w inteligentnych kamerach i urządzeniach IoT
• Edge AI i podejmowanie decyzji w czasie rzeczywistym
• Communication między urządzeniami brzegowymi a systemami chmurowymi

Bezpieczeństwo i względy etyczne w Edge AI

• Obawy dotyczące prywatności danych w aplikacjach brzegowych AI
• Zapewnienie bezpieczeństwa modelu przed atakami przeciwników
• Zgodność z przepisami dotyczącymi sztucznej inteligencji i etycznymi zasadami sztucznej inteligencji

Podsumowanie i kolejne kroki