Kontakt aufnehmen
 Dauer 21 Stunden

Schulungsübersicht

Einführung in Edge AI und TinyML

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

Grundlagen von TinyML

  • Machine Learning für ressourcenbegrenzte Systeme
  • Quantisierung, Pruning und Komprimierung von Modellen
  • Unterstützte Frameworks und Hardwareplattformen

Modellentwicklung und Konvertierung

  • Training leichter Modelle mit TensorFlow oder PyTorch
  • Konvertierung von Modellen in TensorFlow Lite und PyTorch Mobile
  • Testen und Validieren der Modellgenauigkeit

Implementierung der On-Device-Inferenz

  • Deployment von KI-Modellen auf eingebetteten Boards (Arduino, Raspberry Pi, Jetson Nano)
  • Integration der Inferenz in robotische Wahrnehmung und Steuerung
  • Durchführung von Echtzeit-Prognosen und Überwachung der Leistung

Optimierung für Edge-Leistung

  • Reduzierung von Latenz und Energieverbrauch
  • Hardware-Beschleunigung durch NPUs und GPUs
  • Benchmarks und Profiling der eingebetteten Inferenz

Edge-AI-Frameworks und Tools

  • Arbeit mit TensorFlow Lite und Edge Impulse
  • Erforschung von Deployment-Optionen mit PyTorch Mobile
  • Fehlerbehebung und Anpassung eingebetteter ML-Workflows

Praktische Integration und Fallstudien

  • Design von Edge-AI-Wahrnehmungssystemen für Roboter
  • Integration von TinyML in ROS-basierte Robotikarchitekturen
  • Fallstudien: Autonome Navigation, Objekterkennung, vorausschauende Instandhaltung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundkenntnisse in eingebetteten Systemen
  • Erfahrung in der Programmierung mit Python oder C++
  • Vertrautheit mit grundlegenden Konzepten des Machine Learning

Zielgruppe

  • Embedded-Entwickler
  • Roboter-Ingenieure
  • Systemintegratoren im Bereich intelligenter Geräte

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien