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 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 admitida
- Posicionamiento de CANN dentro de la pila de implementación 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 liviana
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 del dispositivo
- Implementación dentro de contenedores embebidos o entornos de tiempo de ejecución livianos
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
Implementación con MindSpore Lite
- Uso del tiempo de ejecución MindSpore Lite para objetivos móviles y embebidos
- Comparación de MindSpore Lite con el pipeline nativo de AscendCL
- Empaquetado de modelos de inferencia para la implementación específica del dispositivo
Escenarios de implementación 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 implementados en el borde
Resumen y próximos pasos
Requerimientos
- Experiencia en el desarrollo de modelos de IA o en flujos de trabajo de implementación
- Conocimientos básicos de sistemas embebidos, Linux y Python
- Familiaridad con marcos de aprendizaje profundo como TensorFlow o PyTorch
Audiencia
- Desarrolladores de soluciones IoT
- Ingenieros de IA embebida
- Integradores de sistemas de borde 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