Embedded Computer Vision und TinyML Grundlagen

Computer Vision ist nicht mehr auf leistungsstarke Cloud-Server und High-End-Computer beschränkt: Mit dem Aufkommen von Embedded Machine Learning können Sie intelligente Bilderkennungsmodelle jetzt direkt auf kleinen, stromsparenden Mikrocontrollern ausführen. Dieser Kurs führt Sie durch den Prozess des Entwurfs, Trainings und der Bereitstellung kompakter Machine-Learning-Modelle für ressourcenbeschränkte Hardware und verwandelt einfache Kameras in intelligente Sensoren. Was Sie lernen werden: - Verstehen Sie die Kernkonzepte der digitalen Bildverarbeitung und wie Computer Vision Algorithmen visuelle Daten interpretieren. - Erkunden Sie die Grundlagen des eingebetteten maschinellen Lernens (TinyML) und wie neuronale Netze für Mikrocontroller optimiert werden. - Bereiten Sie benutzerdefinierte Bilddatensätze vor und kuratieren Sie sie, indem Sie moderne Datenerweiterungstechniken anwenden, um die Modellgenauigkeit zu verbessern. - Trainieren Sie Bildklassifizierungs- und Objekterkennungsmodelle mit Edge Impulse und optimieren Sie sie mit Quantisierung. - Bereitstellen trainierter Modelle auf eingebetteten Plattformen wie OpenMV, um visuelle Inferenz in Echtzeit auf Low-Power-Hardware durchzuführen. - Analysieren Sie die Modellleistung, Latenz und Speichernutzung, um eine effiziente Ausführung auf dem Gerät sicherzustellen. Sie beginnen mit der Beherrschung der grundlegenden Theorie digitaler Bilder und neuronaler Netze, bevor Sie Schritt für Schritt die Erstellung von Datensätzen, das Modelltraining, die Optimierung und den Hardwareeinsatz durchlaufen. Dieser Kurs richtet sich an Anfänger, die sich für Hardware, IoT und künstliche Intelligenz interessieren und keine Vorkenntnisse mit maschinellem Lernen oder eingebetteten Systemen benötigen. Lesen Sie weiter, um die Lücke zwischen Hardware und künstlicher Intelligenz zu schließen.