Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Durata 21 ore
Struttura del corso
Fondamenti delle pipeline TinyML
- Panoramica delle fasi del flusso di lavoro TinyML
- Caratteristiche dell'hardware edge
- Criteri di progettazione della pipeline
Raccolta e preprocessing dei dati
- Raccolta di dati strutturati e di sensori
- Strategie di etichettatura e aumentazione dei dati
- Preparazione dei set di dati per ambienti con vincoli risorse
Sviluppo di modelli per TinyML
- Selezione di architetture di modello per microcontrollori
- Flussi di lavoro di addestramento utilizzando framework ML standard
- Valutazione degli indicatori di prestazioni del modello
Ottimizzazione e compressione dei modelli
- Tecniche di quantizzazione
- Potatura e condivisione dei pesi
- Bilanciamento tra accuratezza e limiti delle risorse
Conversione e packaging dei modelli
- Esportazione dei modelli in TensorFlow Lite
- Integrazione dei modelli nelle toolchain embedded
- Gestione delle dimensioni del modello e dei vincoli di memoria
Distribuzione su microcontrollori
- Flash dei modelli su target hardware
- Configurazione degli ambienti runtime
- Test di inferenza in tempo reale
Monitoraggio, test e validazione
- Strategie di test per sistemi TinyML distribuiti
- Debug del comportamento del modello sull'hardware
- Validazione delle prestazioni in condizioni operative
Integrazione della pipeline end-to-end completa
- Creazione di flussi di lavoro automatizzati
- Versioning di dati, modelli e firmware
- Gestione di aggiornamenti e iterazioni
Sintesi e prossimi passi
Requisiti
- Conoscenza delle fondamenta del machine learning
- Esperienza con la programmazione embedded
- Familiarità con i flussi di lavoro dei dati basati su Python
Pubblico target
- Ingegneri AI
- Sviluppatori software
- Expert in sistemi embedded
