Formation IA embarquée

INTRODUCTION AU MACHINE LEARNING ET DEEP LEARNING

1. Définitions et différences entre ML et DL

2. Types de modèles

   • Arbres de décision
   • Forêts aléatoires
   • Réseaux de neurones

3. Contraintes spécifiques à l'embarqué

   • Mémoire
   • Calcul
   • Latence
   • Pandas, ScikitLearn, Tensorflow et PyTorch avec Python

MICROCONTROLEURS POUR L'IA EMBARQUEE

1. Présentation des différents microcontrôleurs

2. Présentation des plateformes ESP32, Raspberry Pico et STM32

3. Comparaison des architectures, outils de développement et cas d'usage

MISE EN ROUTE DES ENVIRONNEMENTS

1. Installation des IDE

   • Arduino IDE
   • Thonny

2. Flashage et test de base

   • Capteurs
   • Conmmunication série

3. Présentation de MicroPython

MACHINE LEARNING AVEC SCIKIT-LEARN ET EMLEARN

1. Entraînement d'un modèle Random Forest avec Scikit-Learn

2. Conversion du modèle micropython avec emlearn

3. Intégration sur ESP32 et STM32

   • Compilation
   • Déploiement
   • Test

4. Mise en place d'une régression polynomiale et d'un Random Forests

DEEP LEARNING AVEC TENSORFLOW ET TENSORFLOW LITE MICRO

1. Entraînement d'un modèle simple avec TensorFlow/Keras

2. Conversion en tflite pour usage embarqué

3. Introduction à TensorFlow Lite Micro

   • Architecture
   • Compatibilité

DEPLOIEMENT SUR MICROCONTROLEURS

1. Intégration du modèle TFLite Mircro sur ESP32

2. Test en conditions réelles : détection d'évènements par capteurs

3. Deep Learning de Vision avec Caméra

OPTIMISATION DES MODELES AVEC LE PRUNING

1. Introduction au pruning : réduction de la taille des modèles

2. Techniques

   • Weigth pruning
   • Structured pruning

3. Implémentation avec TensorFlow Model Optimization Toolkit