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 al Ascend 310
- Panorama general de la IA en el borde: tendencias, limitaciones y aplicaciones
- Arquitectura del chip Huawei Ascend 310 y cadena de herramientas compatible
- 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 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 del dispositivo
- Despliegue dentro de contenedores embebidos o entornos de tiempo de ejecución ligeros
Optimización para las limitaciones del borde
- Reducción del tamaño del modelo y ajuste de la precisión (FP16, INT8)
- Uso del perfilador de CANN para identificar cuellos de botella
- Gestión del diseño de memoria y del flujo de datos para mejorar el rendimiento
Despliegue con MindSpore Lite
- Uso del entorno de ejecución de MindSpore Lite para objetivos móviles y embebidos
- Comparación de MindSpore Lite con el pipeline crudo de AscendCL
- Empaquetado de modelos de inferencia para el despliegue específico del dispositivo
Escenarios y estudios de caso de despliegue en el borde
- 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 con el desarrollo o los flujos de trabajo de despliegue de modelos de IA
- Conocimientos básicos de sistemas embebidos, Linux y Python
- Familiaridad con frameworks de aprendizaje profundo como TensorFlow o PyTorch
Audiencia objetivo
- Desarrolladores de soluciones de IoT
- Ingenieros de IA embebida
- Integradores de sistemas de borde y especialistas en despliegue 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