Diplomado en Inferencia en MCU/NPUs (TFLite/ONNX/TensorRT)
About us Diplomado en Inferencia en MCU/NPUs (TFLite/ONNX/TensorRT)
El Diplomado en Inferencia en MCU/NPUs (TFLite/ONNX/TensorRT) se centra en la optimización y despliegue de modelos de Machine Learning (ML) en dispositivos de bajo consumo como MCUs (Microcontroladores) y NPUs (Unidades de Procesamiento Neural). Se aborda el uso de frameworks como TFLite, ONNX y TensorRT para la conversión, cuantización y optimización de modelos, permitiendo la inferencia eficiente en el borde. Se profundiza en la aplicación de estos modelos en el campo de la Visión por Computadora, Procesamiento de Señales y otras áreas donde la inferencia en tiempo real y con bajo consumo son críticas, proporcionando una base sólida para el desarrollo de soluciones edge AI.
El programa ofrece experiencia práctica en la implementación de modelos optimizados, evaluación de rendimiento y benchmarking en diferentes arquitecturas de hardware. Se exploran casos de uso en domótica, robótica, y dispositivos IoT, desarrollando habilidades para la creación de soluciones eficientes y escalables. Se prepara para roles como ingenieros de ML embarcado, desarrolladores de edge AI y científicos de datos especializados en optimización de modelos.
Palabras clave objetivo (naturales en el texto): inferencia, MCU, NPU, TFLite, ONNX, TensorRT, Machine Learning, edge AI, optimización de modelos, visión por computadora, IoT.
Diplomado en Inferencia en MCU/NPUs (TFLite/ONNX/TensorRT)
- Format:
- Duration:
- Hours: 900 H
- Language:
- Credits:
- Registration date: 08-09-2026
- Strat date: 19-10-2026
- Available places: 11
1,799 $
Competencies and results
What you will learn
Who this program is for:
Diplomado en Inferencia en MCU/NPUs (TFLite/ONNX/TensorRT)
9.1 Visión: clasificación ligera con restricciones de FPS y memoria.
9.2 Detección: modelos compactos, NMS, postprocesado eficiente.
9.3 Audio: wake-word y clasificación acústica; MFCC y fixed-point.
9.4 Sensores: series temporales para anomalías en vibración/temperatura.
9.5 Optimización por plataforma: MCU vs NPU vs GPU edge; criterios de elección.
9.6 Comparación TFLite vs ONNX Runtime vs TensorRT: tiempos, precisión y mantenimiento.
9.7 Robustez: ruido, iluminación, variaciones; pruebas de estrés.
9.8 Seguridad funcional: umbrales, incertidumbre, y acciones seguras.
9.9 Evaluación final: benchmark integral (latencia, energía, memoria, precisión).
9.10 Documentación del laboratorio: reporte técnico reproducible y checklist de despliegue.
Capstone-type projects
- IA Embarcada para Navegación: Optimización y despliegue de modelos IA (TFLite, ONNX, TensorRT) en MCU/NPU para detección de obstáculos, navegación autónoma y reconocimiento de señales marítimas.
Admissions, fees and scholarships
Do you have any questions?
Our team is ready to help you. Contact us and we’ll get back to you as soon as possible.