Edge AI Kursvorlage

Dieses Repository dient als Vorlage für den Edge AI-Kurs (DLBAIPEAI01_D) und bietet Beispiele sowie Implementierungsansätze für Projekte im Bereich Edge Computing.

Kursübersicht

Edge AI ermöglicht Berechnungen direkt auf dem physischen Endgerät statt in Cloud-Umgebungen. Das ist entscheidend für u. a. autonome Fahrzeuge, mobile Systeme und cyber-physische Produktionsumgebungen.

Lernziele:

• Systemanforderungen zu bewerten (z. B. Latenz, Datenschutz, Robustheit)
• Ressourcenbeschränkungen von Edge-Geräten einzuschätzen
• Prototyp-Lösungen zu implementieren und Entwurfsentscheidungen nachvollziehbar zu dokumentieren

Projektstruktur (Beispielvorlage für Studierendenprojekte)

edge-ai-template/
├── README.md
├── requirements.txt
├── examples/
│   ├── image_classification/
│   │   ├── model_conversion.py
│   │   ├── preprocessing.py
│   │   ├── benchmark.py
│   │   └── data/
│   │       └── sample_images/
│   └── environmental_sensing/
│       ├── model_conversion.py
│       ├── data_ingestion.py
│       ├── alert_system.py
│       └── data/
│           └── simulated_sensor_data.csv
├── docker/
│   └── Dockerfile
├── notebooks/
│   └── edge_ai_course_examples.ipynb
└── docs/
    └── implementation_guidelines.md

Beispiele in diesem Repo

1. Bildklassifizierung (Vorlage)

Dieses Beispiel zeigt, wie Bildklassifizierungsmodelle mithilfe von TensorFlow Lite auf Edge-Geräten erstellt und bereitgestellt werden können.

2. Edge AI für Umgebungsüberwachung

Dieses Beispiel veranschaulicht die Erstellung leichtgewichtiger Modelle für die Umgebungsüberwachung unter Verwendung von scikit-learn und ONNX Runtime.

3. KWS (Keyword Spotting) Edge AI Pipeline (Lehrbeispiel)

Im Ordner Pipeline_example/kws_edge_projekt/ befindet sich ein vollständiges, lehrorientiertes Beispielprojekt für Keyword Spotting (KWS) auf Edge-Geräten (PyTorch):

• Teacher-Modell → Student-Modell → Knowledge Distillation → Quantisierung → Benchmarking
• inkl. 4-stufiger didaktischer Einführung (Woche 1–4) über ausführbare Teaching-Skripte

Didaktische Einführung & Kursablauf:

• readme_edge_ai_pipeline.md (Repository-Root)

Projekt-README (Setup/Commands im Projektordner):

• Pipeline_example/kws_edge_projekt/README.md

Implementierungsrahmenwerke und Tools

Aufgabenart	Empfohlene Rahmenwerke
Bildklassifizierung	TensorFlow Lite, Mediapipe
Umgebungsüberwachung	ONNX Runtime, scikit-learn
Spracherkennung	PyTorch Audio, TinyML Examples

Einstieg

1. Klone dieses Repository
2. Installiere die Abhängigkeiten: pip install -r requirements_application_examples.txt oder pip install -r requirements_pipeline_example.txt
3. Erkunde die Beispiele

Nutzungsrichtlinien

• Nutze die Vorlagen als Vorlage und achte auf Einhaltung von Edge-Beschränkungen (z. B. Quantisierung).
• Entwickle modular:
  • Datenpipelines (Sensor/Kamera/Audio)
  • Modelloptimierung
  • Evaluation (Accuracy vs. Latenz)
• Dokumentiere Trade-offs explizit (warum wurde welche Architektur/Optimierung gewählt?).