FPGA Edge AI Development on Kria KV260
TESAFPGA Edge AI Professional Workshop
เรียนรู้การพัฒนา Edge AI บน FPGA แบบครบ Workflow ตั้งแต่การเตรียม Dataset, Train โมเดล, Optimize ด้วย Vitis-AI ไปจนถึงการ Deploy โมเดลบนบอร์ด Kria KV260 จริง
หลักสูตรนี้ออกแบบมาให้ผู้เรียนเห็นภาพการทำงานของระบบ AI ที่ไม่ได้หยุดอยู่แค่การ Train โมเดลบนคอมพิวเตอร์ แต่พาไปจนถึงขั้นตอนการนำโมเดลไปใช้งานบน Edge Hardware จริง เหมาะสำหรับผู้ที่ต้องการต่อยอดสู่สายงาน Embedded AI, Computer Vision, Smart Camera, Robotics, Industrial AI และ FPGA-based AI Acceleration
เข้าใจ Object Detection, MultitaskV3 และผลลัพธ์ของโมเดล Computer Vision
เรียนรู้การเตรียมข้อมูลภาพ การ Label และการ Convert Dataset สำหรับ Training Pipeline
ปรับโมเดลให้เหมาะกับ Edge Hardware ผ่านกระบวนการ Quantize และ Compile
นำโมเดลที่ผ่านการ Compile ไปรันบน Kria KV260 ผ่าน Jupyter Notebook
Learning Path
Dataset Preparation → Model Training → Quantize & Compile → Deploy on Kria KV260 → Evaluate Result
สิ่งที่ผู้เรียนจะได้เรียนรู้
- เข้าใจแนวคิด Edge AI และเหตุผลที่ FPGA เหมาะกับงาน AI บนอุปกรณ์ปลายทาง
- เข้าใจพื้นฐาน Object Detection, Bounding Box, Class และ Confidence Score
- รู้จักโครงสร้างโมเดล MultitaskV3 เช่น Backbone, Neck, Detection Head และ Segmentation Head
- เตรียม Environment สำหรับ Workshop ด้วย VirtualBox, Ubuntu VM และ Vitis-AI Docker
- สร้าง Dataset และ Label ข้อมูลภาพด้วย Labelme
- Train โมเดล Computer Vision ด้วย Custom Dataset
- Quantize และ Compile โมเดลเพื่อให้เหมาะกับ Edge FPGA
- Deploy โมเดลและรัน Inference บนบอร์ด Kria KV260 ผ่าน Jupyter Notebook
หลักสูตรนี้เหมาะสำหรับ
- นักศึกษาที่สนใจ Edge AI, Embedded AI, FPGA และ Computer Vision
- ผู้เริ่มต้นที่ต้องการเห็น Workflow การพัฒนา AI ตั้งแต่ Dataset จนถึง Hardware จริง
- ผู้ที่ต้องการต่อยอดไปสู่งาน Smart Camera, Robotics, Industrial AI หรือ Vision AI
- ผู้ที่มีพื้นฐาน Python หรือ Linux เบื้องต้น และต้องการเรียนรู้การ Deploy AI บนอุปกรณ์จริง
จุดเด่นของคอร์สนี้
คอร์สนี้ไม่ได้เน้นแค่ทฤษฎี แต่พาผู้เรียนเห็นกระบวนการจริงของงาน Edge AI ตั้งแต่การเตรียมข้อมูล การ Train โมเดล การ Optimize โมเดล และการนำไปใช้งานบนบอร์ดจริง ทำให้เข้าใจภาพรวมของระบบ AI ที่เชื่อมโยงระหว่าง Software, Model และ Hardware ได้ชัดเจน