Cours · Licence SEIoT 3 · 6 chapitres · 5 ateliers · 5 TP ESP32
TinyML : l'IA embarquée sur microcontrôleur
Du concept d'IA au modèle qui tourne sur ESP32 : approches de conception, contraintes mémoire et énergie, TensorFlow Lite, quantification int8 et TensorFlow Lite for Micro — 6 chapitres, 5 ateliers et 5 TP.
- Faculté des Sciences de Bizerte
- 2026–2027
Module SEIoT 3 · Ingénierie de l'Internet des Objets — cours, ateliers et travaux pratiques sur ESP32 / NodeMCU, édition 2026. Six étapes, du concept d'IA au modèle qui tourne sur microcontrôleur.
Objectifs
À la fin du module, vous saurez :
- Expliquer ce qu'est TinyML et pourquoi on embarque l'IA au plus près du capteur.
- Choisir entre logique câblée, programmée et par apprentissage selon les contraintes.
- Dimensionner un modèle : mémoire Flash, RAM, latence et énergie.
- Optimiser un modèle par quantification int8 et pruning, en mesurant la perte de précision.
- Déployer un modèle TensorFlow Lite for Micro sur ESP32 / NodeMCU et l'intégrer dans une chaîne IoT.
Plan du cours (6 chapitres)
- Quelques réflexions sur l'IA — histoire, vocabulaire (IA, ML, DL), limites, coûts et impact environnemental
- Systèmes embarqués : quelle approche ? — logique câblée, programmée, codesign ou par apprentissage, selon les contraintes
- Le projet TinyML — définition, contraintes du microcontrôleur, applications réelles, logiciels et matériels
- TensorFlow Lite (LiteRT) — entraîner, convertir, optimiser (quantification, pruning) et exécuter
- TensorFlow Lite for Micro — le modèle devient un tableau C exécuté sans OS ni malloc sur microcontrôleur
- Synthèse et pratique — chaîne complète du capteur à la décision, tendances 2026, QCM final et passage aux TP
Ateliers en classe
- Déterministe ou probabiliste ? Et combien d'énergie ?
- Choisir la bonne approche pour six produits
- Mon modèle tient-il dans la carte ? (Flash, RAM, tensor arena)
- Mesurer l'effet de la quantification (Colab)
- « Hello World » TFLM sur ESP32 (modèle sinus et LED)
Travaux pratiques (ESP32 / NodeMCU)
- TP1 — Acquisition : ESP32, MPU6050, DHT22, port série, Python
- TP2 — Dataset de gestes : 4 classes, CSV, Edge Impulse
- TP3 — Classifieur int8 : déploiement et mesure de latence sur ESP32
- TP4 — Détection d'anomalies : autoencodeur sur les vibrations d'un ventilateur
- TP5 — Objet connecté : inférence locale + MQTT + Node-RED
Chaque TP réutilise le livrable du précédent ; le câblage, le code, les questions et le barème sont dans le fascicule de TP.
Matériel et outils
- Cartes : ESP32 DevKit (2 × Xtensa LX6, 240 MHz, 520 Ko de SRAM, 4 Mo de Flash, Wi-Fi + BLE) et NodeMCU ESP8266.
- Capteurs : MPU6050 (accéléromètre/gyroscope, I²C), DHT22, bouton, LED.
- Logiciels : Python, Google Colab, TensorFlow / Keras, LiteRT, LiteRT for Microcontrollers (TFLM), Edge Impulse, Arduino IDE / PlatformIO, MQTT et Node-RED.
Évaluation et entraînement
- QCM à la fin de chaque chapitre et QCM final, avec corrigés commentés (40 questions au total).
- 15 exercices d'application corrigés : coût de l'IA, budget temps réel, volume radio, autonomie sur batterie, taille mémoire d'un modèle…
- 5 ateliers en classe et 5 TP sur ESP32.
Références principales
- 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.
Ressources à télécharger
Connectez-vous ou créez un compte gratuit pour télécharger ces fichiers.
-
PDF
Cours TinyML_SEIoT3_v2026_QCM.pdf · 1.8 Mo
-
PDF
TPsFascicule_de_TP_TinyML_sur_ESP32_NodeMCU.pdf · 538.5 Ko