Ponte en Contacto
 Duración 21 horas

Temario del curso

Introducción a la IA en el borde y TinyML

  • Vista general de la IA en el borde
  • Beneficios y desafíos de ejecutar IA en dispositivos
  • Casos de uso en robótica y automatización

Fundamentos de TinyML

  • Machine learning para sistemas con recursos limitados
  • Cuantización, poda y compresión de modelos
  • Frameworks y plataformas de hardware admitidos

Desarrollo y conversión de modelos

  • Entrenamiento de modelos ligeros utilizando TensorFlow o PyTorch
  • Conversión de modelos a TensorFlow Lite y PyTorch Mobile
  • Pruebas y validación de la precisión del modelo

Implementación de inferencia en el dispositivo

  • Despliegue de modelos de IA en placas embebidas (Arduino, Raspberry Pi, Jetson Nano)
  • Integración de la inferencia con la percepción y el control robótico
  • Ejecución de predicciones en tiempo real y monitoreo del rendimiento

Optimización para el rendimiento en el borde

  • Reducción de la latencia y el consumo de energía
  • Aceleración de hardware utilizando NPU y GPU
  • Benchmarking y perfilado de inferencia embebida

Frameworks y herramientas de IA en el borde

  • Trabajo con TensorFlow Lite y Edge Impulse
  • Exploración de opciones de despliegue con PyTorch Mobile
  • Depuración y ajuste de flujos de trabajo de ML embebidos

Integración práctica y casos de estudio

  • Diseño de sistemas de percepción de IA en el borde para robots
  • Integración de TinyML con arquitecturas robóticas basadas en ROS
  • Casos de estudio: navegación autónoma, detección de objetos, mantenimiento predictivo

Resumen y próximos pasos

Requerimientos

  • Comprensión de sistemas embebidos
  • Experiencia en programación con Python o C++
  • Familiaridad con conceptos básicos de machine learning

Público objetivo

  • Desarrolladores embebidos
  • Ingenieros de robótica
  • Integradores de sistemas que trabajan en dispositivos inteligentes

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas