دنیای فناوری به سرعت به سمت پردازش هوشمند در لبه (Edge AI) حرکت می‌کند. دیگر نیازی نیست تمام داده‌ها برای پردازش به سرورهای ابری قدرتمند ارسال شوند. امروزه، دستگاه‌های کوچک و کم‌مصرفی که در اطراف ما هستند، از ساعت‌های هوشمند گرفته تا دوربین‌های امنیتی و لوازم خانگی، قادر به اجرای مدل‌های پیچیده هوش مصنوعی شده‌اند. قلب تپنده این انقلاب، پردازنده‌های ARM هستند که به دلیل بهره‌وری انرژی و عملکرد بالا، در بیش از ۹۰ درصد دستگاه‌های هوشمند جهان به کار رفته‌اند. دوره «یادگیری عمیق روی پردازنده‌های ARM» یک راهنمای جامع و کاملاً عملی برای ورود به این حوزه هیجان‌انگیز است. این دوره به شما می‌آموزد که چگونه مدل‌های یادگیری عمیق را برای اجرا بر روی سخت‌افزارهای محدود و کم‌توان بهینه‌سازی و پیاده‌سازی کنید.

اجرای هوش مصنوعی روی دستگاه‌های لبه (Edge Devices) مزایای بی‌شماری دارد که آن را به یکی از مهم‌ترین روندهای فناوری تبدیل کرده است:

• کاهش تأخیر و پردازش آنی: با پردازش داده‌ها در همان محلی که تولید می‌شوند، نیازی به ارسال و دریافت اطلاعات از سرورهای دوردست نیست. این امر برای کاربردهایی مانند خودروهای خودران، تشخیص چهره آنی و رباتیک صنعتی حیاتی است.
• حفظ حریم خصوصی: داده‌های حساس، مانند تصاویر دوربین یا صدای میکروفون، هرگز دستگاه را ترک نمی‌کنند. این موضوع نگرانی‌های مربوط به حریم خصوصی کاربران را به شدت کاهش می‌دهد.
• کاهش مصرف پهنای باند و هزینه: انتقال حجم عظیم داده به فضای ابری، پرهزینه و نیازمند زیرساخت شبکه قوی است. Edge AI این هزینه‌ها را به طور چشمگیری کاهش می‌دهد.
• عملکرد پایدار و آفلاین: دستگاه‌های لبه می‌توانند حتی بدون اتصال به اینترنت به کار خود ادامه دهند، که این ویژگی برای تجهیزات صنعتی و دستگاه‌های اینترنت اشیاء (IoT) در مناطق دورافتاده ضروری است.

پردازنده‌های ARM به دلیل معماری کم‌مصرف و مقیاس‌پذیر خود، پلتفرم ایده‌آلی برای پیاده‌سازی این راهکارها هستند.

این دوره به گونه‌ای طراحی شده است که شما را از مفاهیم اولیه تا پیاده‌سازی پروژه‌های واقعی هدایت کند. پس از پایان دوره، شما قادر خواهید بود:

• مبانی معماری پردازنده‌های ARM Cortex-A (مانند Raspberry Pi) و ARM Cortex-M (میکروکنترلرها) را به خوبی درک کنید.
• مدل‌های یادگیری عمیق خود را با استفاده از تکنیک‌های پیشرفته مانند کوانتیزاسیون (Quantization) و هرس کردن (Pruning) برای اجرا روی سخت‌افزارهای با منابع محدود، بهینه کنید.
• با فریم‌ورک‌های تخصصی مانند TensorFlow Lite، PyTorch Mobile و کتابخانه‌های بهینه‌سازی شده ARM مانند CMSIS-NN و ARM NN به صورت عملی کار کنید.
• محیط توسعه خود را برای برنامه‌نویسی روی بردهای Raspberry Pi و میکروکنترلرهای STM32 راه‌اندازی کنید.
• پروژه‌های کاربردی مانند تشخیص اشیاء در لحظه، طبقه‌بندی تصاویر و تشخیص کلمات کلیدی صوتی را از صفر تا صد پیاده‌سازی کنید.
• عملکرد مدل‌های خود را روی سخت‌افزار واقعی ارزیابی و بنچمارک کنید تا بهترین بازدهی را به دست آورید.

این دوره برای طیف گسترده‌ای از علاقه‌مندان و متخصصان حوزه فناوری طراحی شده است:

• مهندسان سیستم‌های نهفته (Embedded Systems): که می‌خواهند قابلیت‌های هوش مصنوعی را به محصولات خود اضافه کنند.
• توسعه‌دهندگان هوش مصنوعی و یادگیری ماشین: که به دنبال گسترش مهارت‌های خود به حوزه Edge AI و TinyML هستند.
• دانشجویان رشته‌های مهندسی کامپیوتر، برق و هوش مصنوعی: که می‌خواهند با یکی از داغ‌ترین و کاربردی‌ترین زمینه‌های فناوری آشنا شوند.
• علاقه‌مندان و فعالان حوزه الکترونیک (Hobbyists): که قصد دارند پروژه‌های هوشمند و خلاقانه با استفاده از بردهایی مانند Raspberry Pi و آردوینو بسازند.

برای بهره‌مندی کامل از این دوره، بهتر است با موارد زیر آشنایی داشته باشید:

• آشنایی با اصول برنامه‌نویسی به زبان پایتون (Python).
• درک مفاهیم اولیه یادگیری ماشین و شبکه‌های عصبی (مانند شبکه‌های کانولوشنی - CNN).
• آشنایی با زبان C/C++ برای بخش میکروکنترلرها یک مزیت محسوب می‌شود.
• تجربه کار با ترمینال لینوکس و بردهایی مانند Raspberry Pi مفید خواهد بود اما ضروری نیست.

بخش اول: مبانی و آماده‌سازی

در این بخش، با مفاهیم کلیدی Edge AI و معماری ARM آشنا می‌شویم. یاد می‌گیریم که چرا پردازنده‌های Cortex-A و Cortex-M متفاوت هستند و هر کدام برای چه کاربردهایی مناسب‌اند. سپس، محیط توسعه خود را برای کار با TensorFlow و ابزارهای مورد نیاز آماده می‌کنیم.

بخش دوم: بهینه‌سازی مدل برای دستگاه‌های لبه

این بخش قلب دوره است. در اینجا یاد می‌گیریم که چگونه یک مدل بزرگ و سنگین را به یک مدل کوچک، سریع و کم‌مصرف تبدیل کنیم. تکنیک‌های قدرتمندی مانند Post-Training Quantization و Quantization-Aware Training را به صورت عملی بررسی کرده و مدل‌ها را به فرمت TFLite تبدیل می‌کنیم.

بخش سوم: پیاده‌سازی روی پلتفرم‌های ARM Cortex-A (مانند Raspberry Pi)

در این بخش، مدل‌های بهینه‌شده را روی یک کامپیوتر تک‌بردی محبوب مانند Raspberry Pi اجرا می‌کنیم. با استفاده از کتابخانه‌هایی مانند ARM Compute Library، سرعت استنتاج (Inference) را به حداکثر می‌رسانیم. یک پروژه کامل تشخیص اشیاء در لحظه با استفاده از دوربین Pi را از ابتدا تا انتها انجام خواهیم داد.

بخش چهارم: ورود به دنیای TinyML روی میکروکنترلرها (ARM Cortex-M)

هیجان‌انگیزترین بخش دوره، اجرای مدل‌های هوش مصنوعی روی میکروکنترلرهای چند دلاری است! با فریم‌ورک TensorFlow Lite for Microcontrollers و کتابخانه بهینه‌سازی شده CMSIS-NN آشنا می‌شویم. در یک پروژه عملی، سیستمی برای تشخیص کلمات کلیدی صوتی (Keyword Spotting) روی یک برد STM32 پیاده‌سازی می‌کنیم.

توجه: این دوره به صورت دانلودی ارائه نمی‌شود. تمامی محتوای آموزشی شامل ویدئوها، سورس‌کدها، نوت‌بوک‌های برنامه‌نویسی، دیتاست‌ها و فایل‌های مورد نیاز، بر روی یک فلش مموری ۳۲ گیگابایتی با کیفیت برای شما ارسال می‌گردد. این روش دسترسی شما به محتوا را دائمی، سریع و بدون نیاز به اینترنت پرسرعت فراهم می‌کند.