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 el Ascend 310
- Visión general de la IA en el borde: tendencias, restricciones y aplicaciones
- Arquitectura del chip Huawei Ascend 310 y cadena de herramientas de soporte
- Posicionamiento de CANN dentro del stack 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 soportadas y estrategias de conversión ligeras
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, gestión de memoria y control de dispositivo
- Despliegue dentro de contenedores embebidos o entornos de tiempo de ejecución ligeros
Optimización para restricciones del borde
- Reducción del tamaño del modelo, 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 el rendimiento
Despliegue con MindSpore Lite
- Uso del runtime MindSpore Lite para destinos móviles y embebidos
- Comparación entre MindSpore Lite y el pipeline directo de AscendCL
- Empaquetado de modelos de inferencia para el despliegue específico del dispositivo
Escenarios de despliegue en el borde y casos de estudio
- Caso de estudio: cámara inteligente con modelo de detección de objetos en Ascend 310
- Caso de estudio: clasificación en tiempo real en un centro de sensores IoT
- Monitoreo y actualización de modelos desplegados en el borde
Resumen y próximos pasos
Requerimientos
- Experiencia en el desarrollo o flujos de despliegue 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
