Formation IA embarquée
Objectifs
Définir les concepts fondamentaux du Machine Learning et du Deep Learning, ainsi que les différences entre eux.
Expliquer les contraintes spécifiques à l’IA embarquée (mémoire, calcul, latence) et leur impact sur le choix des modèles.
Installer et configurer un environnement de développement pour microcontrôleurs (Arduino IDE, Thonny, MicroPython).
Entraîner un modèle de Machine Learning (Random Forest, régression polynomiale) et le convertir pour une utilisation embarquée.
Analyser les performances d’un modèle IA déployé sur microcontrôleur en conditions réelles.
Optimiser un modèle de Deep Learning pour l’embarqué en appliquant des techniques de pruning et en évaluant l’impact sur la taille et la précision du modèle.
Pré-requis
Participants
Programme de formation
INTRODUCTION AU MACHINE LEARNING ET DEEP LEARNING
Définitions et différences entre ML et DL
Types de modèles
- Arbres de décision
- Forêts aléatoires
- Réseaux de neurones
Contraintes spécifiques à l'embarqué
- Mémoire
- Calcul
- Latence
- Pandas, ScikitLearn, Tensorflow et PyTorch avec Python
MICROCONTROLEURS POUR L'IA EMBARQUEE
Présentation des différents microcontrôleurs
Présentation des plateformes ESP32, Raspberry Pico et STM32
Comparaison des architectures, outils de développement et cas d'usage
MISE EN ROUTE DES ENVIRONNEMENTS
Installation des IDE
- Arduino IDE
- Thonny
Flashage et test de base
- Capteurs
- Conmmunication série
Présentation de MicroPython
MACHINE LEARNING AVEC SCIKIT-LEARN ET EMLEARN
Entraînement d'un modèle Random Forest avec Scikit-Learn
Conversion du modèle micropython avec emlearn
Intégration sur ESP32 et STM32
- Compilation
- Déploiement
- Test
Mise en place d'une régression polynomiale et d'un Random Forests
DEEP LEARNING AVEC TENSORFLOW ET TENSORFLOW LITE MICRO
Entraînement d'un modèle simple avec TensorFlow/Keras
Conversion en tflite pour usage embarqué
Introduction à TensorFlow Lite Micro
- Architecture
- Compatibilité
DEPLOIEMENT SUR MICROCONTROLEURS
Intégration du modèle TFLite Mircro sur ESP32
Test en conditions réelles : détection d'évènements par capteurs
Deep Learning de Vision avec Caméra
OPTIMISATION DES MODELES AVEC LE PRUNING
Introduction au pruning : réduction de la taille des modèles
Techniques
- Weigth pruning
- Structured pruning
Implémentation avec TensorFlow Model Optimization Toolkit