Schulungsübersicht

Einführung in Edge AI für Computer Vision

  • Überblick über Edge AI und ihre Vorteile
  • Vergleich: Cloud AI vs. Edge AI
  • Hauptforderungen bei der Echtzeitanalyse von Bildern

Bereitstellung von Deep-Learning-Modellen auf Edge-Geräten

  • Einführung in TensorFlow Lite und OpenVINO
  • Optimierung und Quantisierung von Modellen für die Bereitstellung am Rande
  • Fallstudie: Ausführen von YOLOv8 auf einem Edge-Gerät

Hardware-Acceleration für Echtzeit-Inferenz

  • Überblick über Edge-Computing-Hardware (Jetson, Coral, FPGAs)
  • Nutzung von GPU und TPU-Acceleration
  • Benchmarking und Leistungsmessung

Echtzeit-Objekt-Erkennung und -Verfolgung

  • Implementierung von Objekterkennung mit YOLO-Modellen
  • Echtzeitverfolgung bewegter Objekte
  • Verbesserung der Erkennungspräzision durch Sensorenfusion

Optimierungstechniken für Edge AI

  • Verringern des Modellvolumens durch Pruning und Quantisierung
  • Techniken zur Reduzierung von Latenz und Energieverbrauch
  • Neubereitstellung und Feinabstimmung von Edge AI-Modellen

Integration von Edge AI in IoT-Systeme

  • Bereitstellung von AI-Modellen auf Smart-Cameras und IoT-Geräten
  • Edge AI und Echtzeit-Entscheidungsfindung
  • Kommunikation zwischen Edge-Geräten und Cloud-Systemen

Sicherheits- und ethische Aspekte von Edge AI

  • Datenschutzbedenken in Edge AI-Anwendungen
  • Gewährleistung der Modellsicherheit gegen feindliche Angriffe
  • Einhaltung von AI-Regeln und ethischen AI-Prinzipien

Zusammenfassung und weitere Schritte

Voraussetzungen

  • Vertrautheit mit Konzepten der Computer Vision
  • Erfahrung mit Python und Deep-Learning-Frameworks
  • Grundlegendes Wissen über Edge Computing und IoT-Geräte

Zielgruppe

  • Ingenieure für Computer Vision
  • AI-Entwickler
  • IoT-Professionals
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien