Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la IA en el extremo y al Ascend 310
- Visión general de la IA en el extremo: tendencias, restricciones y aplicaciones.
- Arquitectura del chip Huawei Ascend 310 y cadena de herramientas compatible.
- Posicionamiento de CANN dentro de la pila de implementación de IA en el extremo.
Preparación y conversión de modelos
- Exportación de modelos entrenados desde TensorFlow, PyTorch y MindSpore.
- Uso de ATC para convertir modelos al formato OM para dispositivos Ascend.
- Manejo de operaciones no soportadas y estrategias de conversión ligera.
Desarrollo de pipelines de inferencia con AscendCL
- Uso de la API de AscendCL para ejecutar modelos OM en el Ascend 310.
- Preprocesamiento de entrada/salida, manejo de memoria y control del dispositivo.
- Implementación dentro de contenedores embebidos o entornos de ejecución ligeros.
Optimización para restricciones del extremo
- Reducción del tamaño del modelo y ajuste de precisión (FP16, INT8).
- Uso del perfilador CANN para identificar cuellos de botella.
- Gestión del diseño de memoria y el flujo de datos para mejorar el rendimiento.
Implementación con MindSpore Lite
- Uso del entorno de ejecución de MindSpore Lite para destinos móviles y embebidos.
- Comparación entre MindSpore Lite y el pipeline de AscendCL nativo.
- Empaquetado de modelos de inferencia para su despliegue específico por dispositivo.
Escenarios de implementación en el extremo y estudios de caso
- Estudio de caso: cámara inteligente con modelo de detección de objetos en Ascend 310.
- Estudio de caso: clasificación en tiempo real en un concentrador de sensores IoT.
- Supervisión y actualización de modelos implementados en el extremo.
Resumen y próximos pasos
Requerimientos
- Experiencia con el desarrollo o los flujos de trabajo de implementación de modelos de IA.
- Conocimientos básicos de sistemas embebidos, Linux y Python.
- Familiaridad con frameworks de aprendizaje profundo como TensorFlow o PyTorch.
Público objetivo
- Desarrolladores de soluciones IoT.
- Ingenieros de IA embebida.
- Integradores de sistemas de extremo y especialistas en implementación de IA.
14 Horas
Reseñas (1)
Podemos cubrir temas avanzados y trabajar con ejemplos de la vida real
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Curso - Advanced Edge AI Techniques
Traducción Automática
