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.
Plan du cours
Introduction à l'IA sur la périphérie et à l'Ascend 310
- Aperçu de l'IA sur 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 sur la périphérie
Préparation et conversion des modèles
- Exportation des modèles entraînés depuis TensorFlow, PyTorch et MindSpore
- Utilisation de ATC pour convertir les modèles au format OM pour les appareils Ascend
- Gestion des opérations non prises en charge et stratégies de conversion légère
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 du modèle, réglage de la précision (FP16, INT8)
- Utilisation du profileur CANN pour identifier les goulets d'étranglement
- Gestion de l'agencement de la mémoire et du streaming des données pour optimiser les performances
Déploiement avec MindSpore Lite
- Utilisation de l'environnement d'exécution MindSpore Lite pour les cibles mobiles et embarquées
- Comparaison de MindSpore Lite avec le pipeline AscendCL brut
- Empaquetage des modèles d'inférence pour un déploiement spécifique à l'appareil
Scénarios de déploiement sur la périphérie et études de cas
- Étude de cas : caméra intelligente avec un modèle de détection d'objets sur l'Ascend 310
- Étude de cas : classification en temps réel dans un hub de capteurs IoT
- Surveillance et mise à jour des modèles déployés sur 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 les frameworks d'apprentissage profond tels que TensorFlow ou PyTorch
Audience
- Développeurs de solutions IoT
- Ingénieurs en IA embarquée
- Intégrateurs de systèmes périphériques et spécialistes du déploiement IA
14 Heures
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