Kurzusleírás

A Edge AI és az NVIDIA Jetson bemutatása

  • A szélső AI-alkalmazások áttekintése
  • Az NVIDIA Jetson hardver bemutatása
  • JetPack SDK összetevők és fejlesztői környezet

A fejlesztői környezet beállítása

  • A JetPack SDK telepítése és a Jetson kártya beállítása
  • A TensorRT és a modelloptimalizálás megértése
  • A futási környezet konfigurálása

AI-modellek optimalizálása az Edge telepítéshez

  • Modellkvantálási és metszési technikák
  • TensorRT használata modellgyorsításhoz
  • Modellek konvertálása ONNX formátumba

AI-modellek telepítése a Jetson-eszközökön

  • Következtetés futtatása a TensorRT-vel
  • AI modellek integrálása valós idejű alkalmazásokkal
  • A teljesítmény optimalizálása és a késleltetés csökkentése

Computer Vision és Deep Learning a Jetsonon

  • Képosztályozási és tárgyfelismerő modellek telepítése
  • AI használata valós idejű videóelemzéshez
  • AI-alapú robotikai alkalmazások megvalósítása

Edge AI Biztonsági és teljesítményoptimalizálás

  • AI-modellek védelme szélső eszközökön
  • Energiahatékonyság és hőkezelés
  • AI-alkalmazások méretezése Jetson platformokon

Projektmegvalósítás és valós világ Use Case

  • AI-alapú IoT-megoldás készítése
  • AI telepítése autonóm rendszerekben
  • Esettanulmányok mesterséges intelligenciáról szélső eszközökön

Összegzés és a következő lépések

Követelmények

  • AI modell képzésben és következtetésben szerzett tapasztalat
  • Beágyazott rendszerek alapismeretei
  • A Python programozás ismerete

Közönség

  • AI fejlesztők
  • Beágyazott mérnökök
  • Robotics mérnökök
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák