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 en périphérie et à l'Ascend 310
- Aperçu de l'IA en périphérie : tendances, contraintes et applications
- Architecture de la puce Huawei Ascend 310 et chaîne d'outils prise en charge
- Positionnement de CANN au sein de la pile de déploiement de l'IA en périphérie
Préparation et conversion des modèles
- Export de modèles entraînés depuis TensorFlow, PyTorch et MindSpore
- Utilisation d'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 les modèles OM sur Ascend 310
- Prétraitement des entrées/sorties, gestion de la mémoire et contrôle de l'appareil
- Déploiement dans des conteneurs embarqués ou des environnements d'exécution légers
Optimisation pour les contraintes de la périphérie
- Réduction de la taille des modèles, ajustement de la précision (FP16, INT8)
- Utilisation du profilage CANN pour identifier les goulots d'étranglement
- Gestion de la disposition de la mémoire et du flux de données pour les performances
Déploiement avec MindSpore Lite
- Utilisation du runtime MindSpore Lite pour les cibles mobiles et embarquées
- Comparaison entre MindSpore Lite et le pipeline AscendCL brut
- Emballage des modèles d'inférence pour un déploiement spécifique à l'appareil
Scénarios de déploiement en 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 de capteurs IoT
- Surveillance et mise à jour des modèles déployés en périphérie
Résumé et prochaines étapes
Pré requis
- Expérience en développement ou en 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 embarqués
- Intégrateurs de systèmes en périphérie 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