الدروس

درس · إجازة SEIoT السنة 3 · 6 فصول · 5 ورشات · 5 أعمال تطبيقية على ESP32

TinyML: الذكاء الاصطناعي المدمج على المتحكمات الدقيقة

من مفهوم الذكاء الاصطناعي إلى نموذج يعمل على ESP32: مقاربات التصميم، قيود الذاكرة والطاقة، TensorFlow Lite، التكميم int8 وTensorFlow Lite for Micro — 6 فصول و5 ورشات و5 أعمال تطبيقية.

  • Faculté des Sciences de Bizerte
  • 2026–2027

وحدة SEIoT 3 · هندسة إنترنت الأشياء — دروس وورشات صفية وأعمال تطبيقية على ESP32 / NodeMCU، طبعة 2026. ست مراحل، من مفهوم الذكاء الاصطناعي إلى نموذج يعمل على متحكم دقيق.

الأهداف

في نهاية الوحدة ستكون قادرًا على:

  • شرح ماهية TinyML ولماذا ننقل الذكاء الاصطناعي إلى أقرب نقطة من الحساس.
  • الاختيار بين المنطق المُسلَّك والمبرمج والقائم على التعلم حسب القيود.
  • تحجيم النموذج: ذاكرة Flash، ذاكرة RAM، زمن الاستجابة والطاقة.
  • تحسين النموذج بالتكميم int8 والتقليم مع قياس فقدان الدقة.
  • نشر نموذج TensorFlow Lite for Micro على ESP32 / NodeMCU ودمجه في سلسلة إنترنت الأشياء.

مخطط الدرس (6 فصول)

  1. تأملات حول الذكاء الاصطناعي — التاريخ، المفاهيم (الذكاء الاصطناعي، التعلم الآلي، التعلم العميق)، الحدود، الكلفة والأثر البيئي
  2. الأنظمة المدمجة: أي مقاربة للتصميم؟ — منطق مُسلَّك أو مبرمج أو تصميم مشترك أو منطق قائم على التعلم، حسب القيود
  3. مشروع TinyML — التعريف، قيود المتحكم الدقيق، التطبيقات الفعلية، البرمجيات والعتاد
  4. TensorFlow Lite ‏(LiteRT) — التدريب، التحويل، التحسين (التكميم والتقليم) والتنفيذ
  5. TensorFlow Lite for Micro — يتحول النموذج إلى مصفوفة C تُنفَّذ دون نظام تشغيل ودون malloc على المتحكم الدقيق
  6. الخلاصة والتطبيق — السلسلة الكاملة من الحساس إلى القرار، توجهات 2026، الاختبار النهائي والانتقال إلى الأعمال التطبيقية

ورشات داخل القسم

  1. حتمي أم احتمالي؟ وكم من الطاقة؟
  2. اختيار المقاربة المناسبة لستة منتجات
  3. هل يتسع نموذجي في اللوحة؟ (Flash وRAM وtensor arena)
  4. قياس أثر التكميم (Colab)
  5. «Hello World» باستخدام TFLM على ESP32 (نموذج الجيب وصمام ثنائي باعث للضوء)

الأعمال التطبيقية (ESP32 / NodeMCU)

  • العمل التطبيقي 1 — اقتناء البيانات: ESP32 وMPU6050 وDHT22، المنفذ التسلسلي، Python
  • العمل التطبيقي 2 — قاعدة بيانات الإيماءات: 4 أصناف، ملفات CSV، Edge Impulse
  • العمل التطبيقي 3 — مصنِّف int8: النشر وقياس زمن الاستجابة على ESP32
  • العمل التطبيقي 4 — كشف الشذوذ: مشفّر ذاتي (autoencoder) لاهتزازات مروحة
  • العمل التطبيقي 5 — الجهاز المتصل: استدلال محلي + MQTT + Node-RED

يعتمد كل عمل تطبيقي على مخرجات العمل السابق؛ التوصيلات والشفرة والأسئلة وسلم التنقيط موجودة في كراسة الأعمال التطبيقية.

العتاد والأدوات

  • اللوحات: ESP32 DevKit ‏(2 × Xtensa LX6، ‏240 ميغاهرتز، 520 كيلوبايت SRAM، ‏4 ميغابايت Flash، ‏Wi-Fi + BLE) وNodeMCU ESP8266.
  • الحساسات: MPU6050 (مقياس تسارع/جيروسكوب، I²C)، DHT22، زر ضغط، صمام ثنائي باعث للضوء.
  • البرمجيات: Python، ‏Google Colab، ‏TensorFlow / Keras، ‏LiteRT، ‏LiteRT for Microcontrollers ‏(TFLM)، ‏Edge Impulse، ‏Arduino IDE / PlatformIO، ‏MQTT وNode-RED.

التقييم والتدريب

  • اختبار متعدد الاختيارات في نهاية كل فصل واختبار نهائي مع إصلاح مشروح (40 سؤالًا إجمالًا).
  • 15 تمرينًا تطبيقيًا مُصلَحًا: كلفة الذكاء الاصطناعي، ميزانية الزمن الحقيقي، حجم البيانات اللاسلكية، استقلالية البطارية، حجم ذاكرة النموذج…
  • 5 ورشات داخل القسم و5 أعمال تطبيقية على ESP32.

المراجع الرئيسية

  • P. Warden, D. Situnayake — TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, O'Reilly.
  • R. Banerjee — Hands-on TinyML, BPB Online.
  • G. M. Iodice — TinyML Cookbook, 2nd ed., Packt.
  • A. Gupta, S. Nandyala — Deep Learning on Microcontrollers, BPB Online.
  • S. Chaudhari et al. — TinyML for Edge Intelligence in IoT and LPWAN Networks, Academic Press.
#TinyML#IA embarquée#ESP32#NodeMCU#TensorFlow Lite#LiteRT#TFLM#Quantification int8#Edge Impulse

موارد للتحميل

محتوى مخصص للأعضاء

سجّل الدخول أو أنشئ حسابًا مجانيًا لتحميل هذه الملفات.

  • PDF
    Cours TinyML_SEIoT3_v2026_QCM.pdf · 1.8 Mo
  • PDF
    TPsFascicule_de_TP_TinyML_sur_ESP32_NodeMCU.pdf · 538.5 Ko

الدروس