สิ่งที่ผู้เรียนจะได้เรียนรู้ (What Learners Will Learn)

• ✓
  การจำลองระบบและจัดเตรียมสภาพแวดล้อม ติดตั้ง VirtualBox (Ubuntu), ตั้งค่า Shared Folders/Clipboard และใช้งาน Docker รันสภาพแวดล้อม Vitis AI 2.5 (PyTorch)
• ✓
  การจัดการชุดข้อมูล Object Detection ดาวน์โหลดชุดข้อมูลป้ายทะเบียนรถยนต์, แปลงฟอร์แมต XML (PASCAL VOC) เป็น TXT (YOLO) และการแบ่งข้อมูล Train/Test/Val
• ✓
  การฝึกสอนโมเดล AI (Model Training) Clone โครงสร้าง YOLO v3, ติดตั้งไลบรารีที่จำเป็น และเทรนโมเดลด้วย Custom Dataset ป้ายทะเบียน พร้อมปรับ Image Size และ Batch Size
• ✓
  การปรับแต่งโมเดลสำหรับฮาร์ดแวร์เฉพาะทาง ตรวจสอบ DPU Operator ตามคู่มือ UG1414 และเปลี่ยนฟังก์ชัน Activation เป็น LeakyReLU เพื่อให้โมเดลประมวลผลบนบอร์ดได้เร็วที่สุด
• ✓
  กระบวนการทำ Quantization และ Compilation ย้ายโครงสร้างที่ไม่รองรับไปส่วน Post-processing, ทำ Quantization แปลงไฟล์เป็น INT8 และคอมไพล์เป็นไฟล์ xmodel ด้วย vai_c_xir
• ✓
  การเตรียมฮาร์ดแวร์ Edge FPGA เรียนรู้สเปคบอร์ด Kria KV260 / SOM, เขียน OS ลงการ์ด microSD ด้วย Balena Etcher และการเชื่อมต่ออุปกรณ์ภายนอก
• ✓
  การสั่งการระยะไกลและทำ DPU Inference รีโมท SSH (MobaXterm), โอนไฟล์เข้าบอร์ด, และใช้ VART (Python) รันโมเดลตรวจจับวัตถุจริงผ่านภาพนิ่งและกล้องเว็บแคมเรียลไทม์

หลักสูตรนี้เหมาะสำหรับ (Target Audience)

หลักสูตรนี้เหมาะสำหรับ ผู้พัฒนา (Developers) ที่ต้องการศึกษาและนำเสนอโซลูชันด้านการมองเห็นอัจฉริยะ (Intelligent Vision Solutions) บนแพลตฟอร์มฮาร์ดแวร์ที่สามารถปรับแต่งได้ โดยครอบคลุมการประยุกต์ใช้งานดังนี้:

ข้อมูลจำเพาะทางเทคนิคและอุปกรณ์ (Prerequisites & Requirements)