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 IA en el borde y Ascend 310
- Panorama de la IA en el borde: tendencias, restricciones y aplicaciones.
- Arquitectura del chip Huawei Ascend 310 y cadena de herramientas admitida.
- Posicionamiento de CANN dentro de la pila de despliegue de IA en el borde.
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 admitidas y estrategias de conversión ligera.
Desarrollo de pipelines de inferencia con AscendCL
- Uso de la API de AscendCL para ejecutar modelos OM en Ascend 310.
- Preprocesamiento de entrada/salida, manejo de memoria y control de dispositivo.
- Despliegue dentro de contenedores embebidos o entornos de ejecución ligeros.
Optimización para restricciones de borde
- Reducción del tamaño del modelo y ajuste de precisión (FP16, INT8).
- Uso del perfilador de CANN para identificar cuellos de botella.
- Gestión de la disposición de la memoria y el flujo de datos para mejorar el rendimiento.
Despliegue con MindSpore Lite
- Uso del runtime de MindSpore Lite para objetivos móviles y embebidos.
- Comparación entre MindSpore Lite y el pipeline nativo de AscendCL.
- Empaquetado de modelos de inferencia para el despliegue específico de dispositivo.
Escenarios de despliegue en el borde 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.
- Monitoreo y actualización de modelos desplegados en el borde.
Resumen y próximos pasos
Requerimientos
- Experiencia en flujos de trabajo de desarrollo o implementación de modelos de IA.
- Conocimientos básicos de sistemas embebidos, Linux y Python.
- Familiaridad con marcos de aprendizaje profundo como TensorFlow o PyTorch.
Público objetivo
- Desarrolladores de soluciones IoT.
- Ingenieros de IA embebida.
- Integradores de sistemas de borde y especialistas en despliegue de IA.
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
