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)
- تأملات حول الذكاء الاصطناعي — التاريخ، المفاهيم (الذكاء الاصطناعي، التعلم الآلي، التعلم العميق)، الحدود، الكلفة والأثر البيئي
- الأنظمة المدمجة: أي مقاربة للتصميم؟ — منطق مُسلَّك أو مبرمج أو تصميم مشترك أو منطق قائم على التعلم، حسب القيود
- مشروع TinyML — التعريف، قيود المتحكم الدقيق، التطبيقات الفعلية، البرمجيات والعتاد
- TensorFlow Lite (LiteRT) — التدريب، التحويل، التحسين (التكميم والتقليم) والتنفيذ
- TensorFlow Lite for Micro — يتحول النموذج إلى مصفوفة C تُنفَّذ دون نظام تشغيل ودون malloc على المتحكم الدقيق
- الخلاصة والتطبيق — السلسلة الكاملة من الحساس إلى القرار، توجهات 2026، الاختبار النهائي والانتقال إلى الأعمال التطبيقية
ورشات داخل القسم
- حتمي أم احتمالي؟ وكم من الطاقة؟
- اختيار المقاربة المناسبة لستة منتجات
- هل يتسع نموذجي في اللوحة؟ (Flash وRAM وtensor arena)
- قياس أثر التكميم (Colab)
- «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.
موارد للتحميل
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