友情链接:
合作联系
|
ASPEN培训课程
培训对象： 有一定嵌入式基础，希望将人工智能算法部署到资源受限的边缘设备上的工程师。
培训目标： 使学员掌握将训练好的AI模型（特别是视觉模型）部署到嵌入式设备上的完整流程，包括模型转换、推理引擎使用和性能优化，能够开发具有AI能力的边缘计算产品。
培训内容介绍：
边缘AI概述： 讲解云计算与边缘计算的差异，边缘AI的应用场景（如智能摄像头、工业质检）及其面临的挑战（算力、功耗）。
AI模型基础与训练简介： 简要回顾神经网络基础（CNN），介绍如何使用TensorFlow或PyTorch等框架训练一个简单的模型（如手势识别、物体分类）。
模型轻量化技术： 学习模型剪枝、权重量化（INT8, FP16）和知识蒸馏的原理，讲解如何减小模型体积和计算量以适应嵌入式环境。
TensorFlow Lite for Microcontrollers： 深入讲解TFLite Micro框架，学习其在MCU上的部署流程，解释其解释器、算子是如何在无操作系统环境下运行的。
TFLite Micro实战： 在ARM Cortex-M开发板上移植TFLite Micro运行时，加载并运行一个量化后的人脸检测或关键词唤醒模型。
嵌入式推理引擎（NCNN/Tengine）： 介绍面向嵌入式Linux的推理框架，如NCNN、Tengine等，讲解其特点和在ARM平台上的编译与部署。
YOLO目标检测模型部署： 重点讲解如何将YOLO系列模型（如YOLOv5-tiny）转换为适合嵌入式平台的格式（如ONNX、NCNN），并在开发板上运行目标检测。
硬件加速单元利用： 学习如何利用硬件来加速AI推理，包括ARM的CMSIS-NN库（针对Cortex-M）和神经网络处理单元（NPU）的驱动与使用。
摄像头图像采集与预处理： 讲解如何通过摄像头驱动（如OV2640）采集图像数据，并进行缩放、格式转换（RGB888, YUV）等预处理，以符合模型输入要求。
推理结果后处理与决策： 学习解析模型输出的张量数据，将其转换为有意义的业务信息（如目标框、类别、置信度），并据此做出控制决策。
性能分析与优化： 分析模型推理各阶段（前处理、推理、后处理）的时间开销，学习使用profiling工具定位瓶颈，进行算子替换或多线程优化。
端云协同AI案例： 设计一个简单的端云协同方案，边缘设备负责实时采集和初步推理，将疑似异常的数据上传到云端进行更精确的二次分析。
