Kontakt aufnehmen

Schulungsübersicht

Einführung in Edge AI für Computer Vision

  • Überblick über Edge AI und deren Vorteile
  • Vergleich: Cloud AI vs. Edge AI
  • Wichtige Herausforderungen in der Echtzeit-Bildverarbeitung

Bereitstellung von Deep-Learning-Modellen auf Edge-Geräten

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

Hardwarebeschleunigung für Echtzeit-Inferenz

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

Echtzeit-Objekterkennung und -verfolgung

  • Implementierung der Objekterkennung mit YOLO-Modellen
  • Verfolgung bewegter Objekte in Echtzeit
  • Verbesserung der Erkennungsgenauigkeit durch Sensor-Fusion

Optimierungstechniken für Edge AI

  • Reduzierung der Modellgröße mit Pruning und Quantisierung
  • Techniken zur Verringerung der Latenzzeit und des Energieverbrauchs
  • Neuerstellung und Feinabstimmung von Edge-AI-Modellen

Integration von Edge AI in IoT-Systeme

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

Sicherheits- und ethische Aspekte in der Edge AI

  • Datenschutzbedenken in Edge-AI-Anwendungen
  • Sicherstellung des Modellschutzes vor adversarischen Angriffen
  • Einhaltung von KI-Vorschriften und ethischen AI-Prinzipien

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Vertrautheit mit Computer-Vision-Konzepten
  • Erfahrung mit Python und Deep-Learning-Frameworks
  • Grundkenntnisse in Edge Computing und IoT-Geräten

Zielgruppe

  • Computer-Vision-Ingenieure
  • KI-Entwickler
  • IoT-Fachleute
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien