Kontakt aufnehmen
 Dauer 21 Stunden

Schulungsübersicht

Einführung in Edge AI und TinyML

  • Überblick über KI an der Edge
  • Vorteile und Herausforderungen der Ausführung von KI auf Geräten
  • Anwendungsbeispiele in Robotik und Automatisierung

Grundlagen von TinyML

  • Maschinelles Lernen für ressourcenbeschränkte Systeme
  • Modell-Quantisierung, Pruning und Kompression
  • Unterstützte Frameworks und Hardwareplattformen

Modellentwicklung und -konvertierung

  • Schulung leichtgewichtiger Modelle mit TensorFlow oder PyTorch
  • Konvertierung von Modellen zu TensorFlow Lite und PyTorch Mobile
  • Testen und Validieren der Modellgenauigkeit

Implementierung der On-Device-Inferenz

  • Bereitstellung von KI-Modellen auf eingebetteten Boards (Arduino, Raspberry Pi, Jetson Nano)
  • Integration der Inferenz in robotische Wahrnehmung und Steuerung
  • Ausführung von Echtzeit-Vorhersagen und Leistungsmessung

Optimierung für Edge-Leistung

  • Reduzierung von Latenz und Energieverbrauch
  • Hardwarebeschleunigung mithilfe von NPUs und GPUs
  • Benchmarks und Profiling eingebetteter Inferenz

Edge-AI-Frameworks und -Werkzeuge

  • Arbeit mit TensorFlow Lite und Edge Impulse
  • Erkundung der Bereitstellungsoptionen von PyTorch Mobile
  • Fehlerbehebung und Abstimmung eingebetteter ML-Workflows

Praktische Integration und Fallstudien

  • Gestaltung von Edge-AI-Wahrnehmungssystemen für Roboter
  • Integration von TinyML in ROS-basierte Robotik-Architekturen
  • Fallstudien: Autonome Navigation, Objekterkennung, prädiktive Instandhaltung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von eingebetteten Systemen
  • Erfahrung in der Programmierung mit Python oder C++
  • Kenntnisse grundlegender Konzepte des Maschinellen Lernens

Zielgruppe

  • Eingebettete Entwickler
  • Robotik-Ingenieure
  • Systemintegratoren für intelligente Geräte

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien