Eğitimin Amacı ve Kapsamı
Sunucu GPU'sunda yüksek doğrulukla çalışan bir bilgisayarlı görü modeli; bant genişliği maliyeti, internet kesintisi, gecikme (latency) veya veri gizliliği nedeniyle sahada doğrudan kenar cihazda (edge device) çalışmak zorundadır. Bu program, PyTorch ile eğitilmiş modelleri ONNX'e aktarmaktan başlayarak NVIDIA TensorRT, Intel OpenVINO ve TFLite/ExecuTorch ile hedef donanıma derlemeyi kapsar.
FP16 ve INT8 quantization kalibrasyonu, donanım hızlandırmalı kamera okuma (CSI/RTSP + GStreamer), bellek/termal darboğaz analizi ve sahadaki cihazların uzaktan izlenmesi/güncellenmesi uygulamalı olarak işlenir. Katılımcılar kendi modelleri için eksiksiz bir edge deployment planı ve optimize edilmiş çıkarım paketi hazırlar.
Kimler Katılmalı?
- Görüntü modellerini gömülü sistemlere ve saha cihazlarına taşıyan yapay zeka mühendisleri
- NVIDIA Jetson, endüstriyel PC veya mobil/IoT donanımlarla çalışan gömülü yazılım geliştiriciler
- Kamera tabanlı ürünlerin saha operasyonundan sorumlu MLOps ve platform mühendisleri
- Ön koşul: Python, PyTorch ve temel Linux/container kullanımı
Kazanımlar
- PyTorch modellerini operatör uyumluluğunu koruyarak ONNX ve TensorRT motoruna dönüştürmek
- Post-Training Quantization (INT8) kalibrasyonu ile doğruluk kaybını sınırlayarak FPS'i artırmak
- Ön işleme (resize, normalize) ve NMS adımlarını GPU/NPU grafiğine dahil ederek CPU darboğazını çözmek
- Docker, GStreamer ve donanım video decoder'ları ile 7/24 dayanıklı edge servisleri paketlemek
- İnternet bağlantısı kopuk saha cihazları için telemetri, watchdog ve güvenli OTA model güncelleme akışı kurmak
Konular
Edge Donanım Ekosistemi ve Mimari Seçim
- NVIDIA Jetson (Orin Nano/NX), Intel IPC, Raspberry Pi + AI hızlandırıcılar ve mobil NPU'lar
- TOPS, bellek bant genişliği, güç tüketimi (Watt) ve termal kısıtların model seçimine etkisi
ONNX, TensorRT ve OpenVINO ile Model Derleme
- PyTorch'tan ONNX'e aktarım, dinamik eksenler, opset uyumluluğu ve graph fusion
- TensorRT ve OpenVINO ile katman birleştirme ve donanıma özgü kernel optimizasyonu
FP16 ve INT8 Quantization Kalibrasyonu
- Post-Training Quantization (PTQ) için temsili kalibrasyon veri seti hazırlama
- Tespit ve segmentasyon modellerinde katman bazlı hassasiyet analizi ve QAT (Quantization-Aware Training)
Uçtan Uca Kamera Pipeline'ı ve Zero-Copy Bellek
- CSI ve RTSP kameralardan GStreamer ile donanım hızlandırmalı decode
- CPU-GPU kopyalamasını azaltma, GPU üzerinde ön işleme ve NMS hızlandırma
Saha Operasyonu: Paketleme, İzleme ve OTA Güncelleme
- L4T / JetPack container'ları, systemd watchdog ve çevrimdışı önbellekleme
- Cihaz sağlığı (GPU/sıcaklık/FPS) telemetrisi, shadow test ve geri alınabilir (rollback) model güncellemesi
Bu Kategorideki Diğer Eğitimler
-
Knowledge distillation, yapısal pruning, Quantization-Aware Training (QAT), NAS ve Torch-TensorRT profilleme; büyük bilgisayarlı görü modellerini doğruluk kaybını en aza indirerek küçültüp hızlandırmak isteyen mühendisler için.
- Canlı Kurs
- 5 modül
-
Computer Vision (Bilgisayarlı Görü)
Klasik görüntü işleme tekniklerinden PyTorch tabanlı CNN, Vision Transformer (ViT), Swin Transformer ve ConvNeXt mimarilerine uzanan kapsamlı Computer Vision eğitimi. YOLO ve DETR ile nesne tespiti, SAM ve U-Net ile segmentasyon, video analizi, 3D görüntü işleme (NeRF, Gaussian Splatting), Diffusion modelleri ve ONNX/TensorRT ile model dağıtım süreçlerini uygulamalı olarak kapsar.
- Canlı Kurs
- 13 modül
-
Dijital görüntü temelleri, OpenCV ile filtreleme ve özellik çıkarımı, sınıflandırma/tespit/segmentasyon görev tipleri ve hazır modellerle ilk prototip; bilgisayarlı görü use case'lerini doğru kurgulamak isteyen teknik ekipler için.
- Canlı Kurs
- 5 modül
-
PyTorch ile CNN mimarileri (ResNet, EfficientNet, ConvNeXt), transfer learning, data augmentation ve eğitim döngüsü; kurumsal görüntü verisi üzerinde sınıflandırma modeli eğitip değerlendirmek isteyen geliştirici ve veri bilimciler için.
- Canlı Kurs
- 5 modül
-
Self-supervised öğrenme (DINOv2), foundation modeller (SAM 2, Grounding DINO), sentetik veri, active learning ve büyük ölçekli eğitim; üretimde zor görsel problemlerle uğraşan deneyimli bilgisayarlı görü mühendisleri için.
- Canlı Kurs
- 5 modül
-
YOLO, RT-DETR ve Mask R-CNN ile nesne tespiti ve instance segmentation; veri etiketleme, eğitim, mAP ile değerlendirme ve tracking entegrasyonu dahil uçtan uca bir detection/segmentation prototipi geliştirmek isteyen ekipler için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
