- Einführung in OpenVINO: Überblick und Bedeutung
- Was ist OpenVINO und warum ist es wichtig?
- Anwendungsfälle und typische Szenarien für die Nutzung von OpenVINO
- Unterschiede und Vorteile von OpenVINO im Vergleich zu anderen AI-Frameworks
- Installation und Einrichtung von OpenVINO: Schritt für Schritt Anleitung
- Systemanforderungen und notwendige Software
- Installation von OpenVINO auf verschiedenen Plattformen (Windows, macOS, Linux)
- Einrichtung der Entwicklungsumgebung und erste Schritte mit OpenVINO
- Grundlegende Konzepte von OpenVINO: Architektur und Prinzipien
- Einführung in die OpenVINO-Architektur
- Überblick über das OpenVINO-Toolkit und die enthaltenen Tools
- Grundlagen der Modelloptimierung mit dem Model Optimizer
- Arbeiten mit dem Inference Engine: Bereitstellung von Modellen auf verschiedenen Hardwareplattformen
- Praxisübung 1: Erste Schritte mit OpenVINO
- Problemstellung: Einrichtung und Ausführung eines einfachen AI-Modells mit OpenVINO
- Lösung:
- Installation und Konfiguration von OpenVINO
- Optimierung eines vortrainierten Modells mit dem Model Optimizer
- Ausführung des optimierten Modells mit dem Inference Engine
- Tools: OpenVINO Toolkit
, Model Optimizer
, Inference Engine
- Ergebnis: Ein funktionsfähiges AI-Modell, das mit OpenVINO ausgeführt wird
- Erweiterte Funktionen und Optimierung in OpenVINO
- Arbeiten mit fortgeschrittenen OpenVINO-Funktionen
- Nutzung des Deep Learning Deployment Toolkits für komplexe Modelle
- Performance-Optimierung und Benchmarking von AI-Modellen
- Einführung in das Deployment von Modellen auf Edge-Geräten
- Integration von OpenVINO in bestehende Projekte
- Integration von OpenVINO in bestehende AI- und ML-Workflows
- Nutzung von OpenVINO mit verschiedenen Frameworks wie TensorFlow, Caffe, und ONNX
- Best Practices für die Strukturierung und Verwaltung von OpenVINO-Projekten
- Fehlersuche und Debugging in OpenVINO
- Einführung in Debugging-Methoden für OpenVINO
- Umgang mit Fehlermeldungen und Debugging-Werkzeugen
- Best Practices zur Fehlersuche in OpenVINO-Anwendungen
- Automatisierung und Scripting in OpenVINO
- Schreiben und Nutzen von Skripten zur Automatisierung von Aufgaben
- Einführung in die Nutzung von OpenVINO mit Python für Automatisierung
- Automatisierung wiederkehrender Aufgaben
- Praxisübung 2: Erstellung einer komplexen AI-Anwendung mit OpenVINO
- Problemstellung: Implementierung einer umfassenden AI-Lösung mit OpenVINO
- Lösung:
- Optimierung eines komplexen AI-Modells mit dem Model Optimizer
- Deployment des Modells auf einem Edge-Gerät
- Performance-Optimierung und Benchmarking der Anwendung
- Tools: OpenVINO Toolkit
, Model Optimizer
, Inference Engine
, Python
- Ergebnis: Eine vollständige, optimierte AI-Anwendung, die auf einem Edge-Gerät ausgeführt wird
LernzieleAm Ende des Seminars sind die Teilnehmenden in der Lage, OpenVINO effektiv zu nutzen, um moderne, skalierbare und benutzerfreundliche AI-Anwendungen zu entwickeln, die zur besseren Verarbeitung und Präsentation von Daten beitragen. Sie lernen, wie sie Projekte planen, erweiterte Funktionen implementieren und die Effizienz und Qualität ihrer AI-Anwendungen optimieren.
ZielgruppenDieses Seminar richtet sich an Entwickler, Datenwissenschaftler, Ingenieure und technische Fachkräfte, die komplexe und datenintensive AI-Anwendungen entwickeln möchten, bei denen eine konsistente und reaktive Benutzererfahrung erforderlich ist. Besonders geeignet ist es für diejenigen, die die herausragenden Merkmale von OpenVINO, wie die einfache Integration und umfassende Anpassbarkeit, nutzen möchten. Grundlegende Kenntnisse in AI- und ML-Frameworks sowie Programmierkenntnisse in Python sind nützlich
