Deploying AI on Microcontrollers with TinyML

• Doświadczenie w programowaniu systemów wbudowanych
• Znajomość programowania w języku Python lub C/C++
• Podstawowa znajomość koncepcji uczenia maszynowego
• Zrozumienie sprzętu i urządzeń peryferyjnych mikrokontrolera

Odbiorcy

• Inżynierowie systemów wbudowanych
• Programiści AI

TinyML umożliwia wydajne uruchamianie modeli AI na mikrokontrolerach i urządzeniach brzegowych przy niskim zużyciu energii.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych inżynierów systemów wbudowanych i programistów AI, którzy chcą wdrożyć modele uczenia maszynowego na mikrokontrolerach przy użyciu TensorFlow Lite i Edge Impulse.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawy TinyML i jego zalety dla aplikacji brzegowych AI.
• Skonfigurować środowisko programistyczne dla projektów TinyML.
• Trenować, optymalizować i wdrażać modele AI na mikrokontrolerach o niskim poborze mocy.
• Wykorzystanie TensorFlow Lite i Edge Impulse do wdrożenia rzeczywistych aplikacji TinyML.
• Optymalizacja modeli AI pod kątem wydajności energetycznej i ograniczeń pamięci.

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 TinyML i Edge AI

• Czym jest TinyML?
• Zalety i wyzwania związane ze sztuczną inteligencją na mikrokontrolerach
• Przegląd narzędzi TinyML: TensorFlow Lite i Edge Impulse
• Przypadki użycia TinyML w IoT i rzeczywistych aplikacjach

Konfiguracja środowiska programistycznego TinyML

• Instalowanie i konfigurowanie Arduino IDE
• Wprowadzenie do TensorFlow Lite dla mikrokontrolerów
• Korzystanie z Edge Impulse Studio do programowania TinyML
• Podłączanie i testowanie mikrokontrolerów dla aplikacji AI

Tworzenie i szkolenie modeli Machine Learning

• Zrozumienie przepływu pracy TinyML
• Zbieranie i wstępne przetwarzanie danych z czujników
• Trenowanie modeli uczenia maszynowego dla wbudowanej sztucznej inteligencji
• Optymalizacja modeli pod kątem niskiego poboru mocy i przetwarzania w czasie rzeczywistym

Wdrażanie modeli sztucznej inteligencji na urządzeniach Microcontroller

• Konwersja modeli AI do formatu TensorFlow Lite
• Miganie i uruchamianie modeli na mikrokontrolerach
• Sprawdzanie poprawności i debugowanie implementacji TinyML

Optymalizacja TinyML pod kątem wydajności i efektywności

• Techniki kwantyzacji i kompresji modeli
• Strategie zarządzania energią dla brzegowej sztucznej inteligencji
• Ograniczenia pamięci i obliczeń we wbudowanej sztucznej inteligencji

Praktyczne zastosowania TinyML

• Rozpoznawanie gestów przy użyciu danych z akcelerometru
• Klasyfikacja audio i wykrywanie słów kluczowych
• Wykrywanie anomalii na potrzeby konserwacji predykcyjnej

Bezpieczeństwo i przyszłe trendy w TinyML

• Zapewnienie prywatności i bezpieczeństwa danych w aplikacjach TinyML
• Wyzwania związane z uczeniem federacyjnym na mikrokontrolerach
• Pojawiające się badania i postępy w TinyML

Podsumowanie i kolejne kroki