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.
Duración 14 horas
Temario del curso
Introducción a la implementación de CV/PLN con CANN
- Ciclo de vida de los modelos de IA desde el entrenamiento hasta la implementación
- Consideraciones clave de rendimiento para CV y PLN en tiempo real
- Visión general de las herramientas del CANN SDK y su papel en la integración de modelos
Preparación de modelos de CV y PLN
- Exportación de modelos desde PyTorch, TensorFlow y MindSpore
- Manejo de entradas/salidas de modelos para tareas de imagen y texto
- Uso de ATC para convertir modelos al formato OM
Implementación de pipelines de inferencia con AscendCL
- Ejecución de inferencia de CV/PLN utilizando la API de AscendCL
- Pipelines de preprocesamiento: redimensionamiento de imágenes, tokenización, normalización
- Postprocesamiento: cajas delimitadoras, puntajes de clasificación, salida de texto
Técnicas de optimización de rendimiento
- Perfilado de modelos de CV y PLN utilizando herramientas CANN
- Reducción de latencia con precisión mixta y ajuste de lotes
- Gestión de memoria y cómputo para tareas de flujo continuo (streaming)
Casos de uso de visión por computadora
- Estudio de caso: detección de objetos para vigilancia inteligente
- Estudio de caso: inspección de calidad visual en la manufactura
- Construcción de pipelines de analítica de video en vivo en Ascend 310
Casos de uso de PLN
- Estudio de caso: análisis de sentimiento y detección de intenciones
- Estudio de caso: clasificación y resumido de documentos
- Integración de PLN en tiempo real con APIs REST y sistemas de mensajería
Resumen y próximos pasos
Requerimientos
- Familiaridad con el aprendizaje profundo para visión por computadora o PLN
- Experiencia con Python y marcos de IA como TensorFlow, PyTorch o MindSpore
- Comprensión básica de los flujos de trabajo de implementación o inferencia de modelos
Público objetivo
- Profesionales de visión por computadora y PLN que utilizan la plataforma Ascend de Huawei
- Científicos de datos e ingenieros de IA que desarrollan modelos de percepción en tiempo real
- Desarrolladores que integran pipelines CANN en manufactura, vigilancia o análisis de medios
