Kontakt aufnehmen
 Dauer 21 Stunden

Schulungsübersicht

Einführung in Edge AI und TinyML

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

Grundlagen von TinyML

  • Machine Learning für ressourcengrenzende Systeme
  • Modell-Quantisierung, Pruning und Kompression
  • Unterstützte Frameworks und Hardwareplattformen

Modellentwicklung und -konvertierung

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

Umsetzung der lokalen Inferenz

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

Optimierung für Edge-Leistung

  • Reduzierung von Latenz und Energieverbrauch
  • Hardware-Beschleunigung unter Verwendung von NPUs und GPUs
  • Benchmarking und Profiling der Embedded-Inferenz

Edge-AI-Frameworks und -Werkzeuge

  • Arbeit mit TensorFlow Lite und Edge Impulse
  • Erforschen von Bereitstellungsoptionen für PyTorch Mobile
  • Fehlerbehebung und Feinabstimmung von Embedded-ML-Workflows

Praktische Integration und Fallstudien

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

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Embedded-Systemen
  • Erfahrung in der Programmierung mit Python oder C++
  • Grundlegende Kenntnisse in Machine Learning

Zielgruppe

  • Entwickler:innen im Bereich Embedded Systems
  • Robotik-Ingenieure
  • Systemintegratoren, die an intelligenten Geräten arbeiten

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien