Contattataci
 Durata 21 ore

Struttura del corso

Introduzione all'Edge AI e al TinyML

  • Panoramica sull'IA in periferia
  • Vantaggi e sfide dell'esecuzione dell'IA su dispositivo
  • Casi d'uso nella robotica e nell'automazione

Fondamenti del TinyML

  • Machine learning per sistemi con risorse limitate
  • Quantizzazione, potatura e compressione dei modelli
  • Framework e piattaforme hardware supportate

Sviluppo e conversione dei modelli

  • Addestramento di modelli leggeri utilizzando TensorFlow o PyTorch
  • Conversione dei modelli in TensorFlow Lite e PyTorch Mobile
  • Test e validazione della precisione del modello

Implementazione dell'inferenza on-device

  • Distribuzione dei modelli di IA su schede embedded (Arduino, Raspberry Pi, Jetson Nano)
  • Integrazione dell'inferenza con la percezione e il controllo robotico
  • Esecuzione di previsioni in tempo reale e monitoraggio delle prestazioni

Ottimizzazione per le prestazioni in periferia

  • Riduzione della latenza e del consumo energetico
  • Accelerazione hardware utilizzando NPU e GPU
  • Benchmarking e profilazione dell'inferenza embedded

Framework e strumenti per l'Edge AI

  • Lavoro con TensorFlow Lite e Edge Impulse
  • Esplorazione delle opzioni di distribuzione di PyTorch Mobile
  • Debug e tuning dei flussi di lavoro ML embedded

Integrazione pratica e casi studio

  • Progettazione di sistemi di percezione Edge AI per robot
  • Integrazione di TinyML con architetture robotiche basate su ROS
  • Casi studio: navigazione autonoma, rilevamento oggetti, manutenzione predittiva

Sintesi e prossimi passi

Requisiti

  • Conoscenza dei sistemi embedded
  • Esperienza nella programmazione con Python o C++
  • Familiarità con i concetti base del machine learning

Pubblico

  • Sviluppatori embedded
  • Ingegneri della robotica
  • Integratori di sistemi che lavorano su dispositivi intelligenti

Numero di Partecipanti


Prezzo per partecipante

Recensioni (2)

Corsi in Arrivo

Categorie relative