Plan du cours : Systèmes embarqués et IA sur dispositifs
mobiles
Partie 1 : Déploiement de modèles d’IA sur systèmes embarqués (Arduino,
Raspberry Pi)
1.1. Introduction aux systèmes embarqués et à l'IA
Définition des systèmes embarqués et de l'IA.
Présentation des plateformes : Arduino, Raspberry Pi, ESP32.
Exemples d'applications concrè[Link]
1.2. Outils et bibliothèques pour le déploiement
Présentation de bibliothèques adaptées aux microcontrôleurs : TensorFlow Lite, Edge
Impulse, TinyML.
Utilisation de MicroPython et Arduino IDE.
Introduction aux kits de développement comme le Nvidia Jetson [Link] Talks !
1.3. Études de cas pratiques
Détection de sons ou de gestes avec Arduino Nano 33 BLE Sense.
Reconnaissance d’images avec Raspberry Pi et caméra Pi.
Utilisation de l'ESP32 pour des applications IA.
1.4. Ressources pédagogiques
Livre : Les capteurs pour Arduino et Raspberry Pi: tutoriels et projets.
Livre : A Hands-On Course in Sensors Using the Arduino and Raspberry Pi Series.
Partie 2 : Optimisation des modèles pour les contraintes de calcul et d’énergie
2.1. Introduction à l'IA frugale
Concepts de l'IA frugale et ses enjeux.
Importance de l'optimisation pour les systèmes embarqué[Link]édia
2.2. Techniques d'optimisation
Quantification des poids et des activations.
Pruning (élagage) des réseaux de neurones.
Knowledge distillation : transfert de connaissances vers des modèles plus légers.
Compression de modèles pour réduire la taille et la [Link]édia
2.3. Outils et plateformes
Utilisation de TensorFlow Lite pour Microcontrollers.
Présentation de Edge Impulse pour l'optimisation des modèles.
Introduction à des plateformes matérielles comme le Nvidia Jetson Orin Nano.
Partie 3 : Applications de l’IA dans l’Internet des objets (IoT)
3.1. Introduction à l'IoT
Définition et concepts clés de l'Internet des objets.
Architecture typique d'un système IoT.
Protocoles de communication : MQTT, CoAP, [Link]édia
3.2. Applications concrètes de l'IA dans l'IoT
Domotique : gestion intelligente de l'énergie et de la sécurité.
Santé : dispositifs de suivi et d'alerte pour les patients.
Industrie : maintenance prédictive et automatisation.
Transport : véhicules connectés et gestion du [Link]édia
3.3. Études de cas et projets
Développement d'un système de surveillance environnementale avec capteurs et IA.
Création d'un assistant vocal embarqué sur ESP32.
Mise en place d'un système de reconnaissance d'images pour la sécurité.
3.4. Ressources supplémentaires
Plateforme de formation en ligne : Genesis de l'IoT Valley.
Communautés et forums pour l'IoT et l'IA embarqué[Link]édia
📚 Ressources complémentaires
Articles et tutoriels :
o Déployer des modèles d'IA à l'Edge : Un atout pour l'industrie
o Deep Learning sur un Raspberry (Partie 2)OCTO Talks !OCTO Talks !
Vidéos pédagogiques :
o Apprentissage de l'IA avec ArduinoYouTube
Plateformes et outils :
o Edge Impulse : plateforme pour le développement de modèles IA embarqués.
o TensorFlow Lite : bibliothèque pour l'exécution de modèles IA sur des
appareils mobiles et embarqués.
🛠️Matériel recommandé pour les travaux pratiques
Arduino UNO REV3 : microcontrôleur pour les projets de base.
Raspberry Pi 4 Model B (8GB) : ordinateur monocarte pour des applications plus
complexes.
ESP32 Development Board : carte avec Wi-Fi et Bluetooth intégrés, adaptée pour
l'IoT.
Nvidia Jetson Orin Nano : plateforme puissante pour des applications IA avancées.
Beaglebone Black Rev C : alternative au Raspberry Pi avec des fonctionnalités
spécifiques.
