Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Introduction à l'IA à la périphérie et à l'Ascend 310
- Aperçu de l'IA à la périphérie : tendances, contraintes et applications
- Architecture de la puce Huawei Ascend 310 et chaîne d'outils prise en charge
- Positionnement de CANN dans la pile de déploiement de l'IA à la périphérie
Préparation et conversion des modèles
- Exportation de modèles entraînés depuis TensorFlow, PyTorch et MindSpore
- Utilisation de l'ATC pour convertir les modèles au format OM pour les appareils Ascend
- Gestion des opérateurs non pris en charge et stratégies de conversion légères
Développement de pipelines d'inférence avec AscendCL
- Utilisation de l'API AscendCL pour exécuter des modèles OM sur l'Ascend 310
- Prétraitement des entrées/sorties, gestion de la mémoire et contrôle de l'appareil
- Déploiement au sein de conteneurs embarqués ou d'environnements d'exécution légers
Optimisation pour les contraintes de la périphérie
- Réduction de la taille des modèles, réglage de la précision (FP16, INT8)
- Utilisation du profileur CANN pour identifier les goulets d'étranglement
- Gestion de la disposition de la mémoire et du flux de données pour la performance
Déploiement avec MindSpore Lite
- Utilisation du runtime MindSpore Lite pour les cibles mobiles et embarquées
- Comparaison de MindSpore Lite avec le pipeline AscendCL natif
- Pack des modèles d'inférence pour un déploiement spécifique à l'appareil
Scénarios de déploiement à la périphérie et études de cas
- Étude de cas : caméra intelligente avec modèle de détection d'objets sur Ascend 310
- Étude de cas : classification en temps réel dans un hub capteur IoT
- Surveillance et mise à jour des modèles déployés à la périphérie
Résumé et prochaines étapes
Pré requis
- Expérience dans le développement ou le déploiement de modèles IA
- Connaissances de base en systèmes embarqués, Linux et Python
- Familiarité avec des frameworks d'apprentissage profond tels que TensorFlow ou PyTorch
Public cible
- Développeurs de solutions IoT
- Ingénieurs IA embarquée
- Intégrateurs de systèmes de périphérie et spécialistes du déploiement IA
Nos clients témoignent (1)
Nous pouvons aborder des sujets avancés et travailler avec des exemples concrets.
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Formation - Advanced Edge AI Techniques
Traduction automatique