- Cours pratique
- Informatique
Formation TinyML : Introduction au Machine Learning Embarqué
Apprenez à concevoir et déployer des modèles de Machine Learning sur des microcontrôleurs à faible consommation
- Durée
- 3 jours
- Niveau
- Intermédiaire
- Modalités
- Présentiel / Distanciel
Description de la formation TinyML
Qu’est-ce que le TinyML ?
Le Tiny Machine Learning (TinyML) est une discipline à la croisée de l’intelligence artificielle et de l’embarqué. Il permet de déployer des modèles d’apprentissage automatique directement sur des dispositifs à ressources limitées, comme des microcontrôleurs ou des capteurs IoT. Grâce aux avancées matérielles et logicielles, le TinyML ouvre la voie à des applications intelligentes locales, sans dépendance au cloud.
Pourquoi suivre une formation TinyML ?
Dans un monde où les objets connectés se multiplient, le besoin d’intelligence embarquée est croissant. Suivre une formation TinyML permet de comprendre comment concevoir, optimiser et implémenter des modèles d’IA capables de fonctionner sur des plateformes très contraintes. Les compétences acquises sont précieuses pour les ingénieurs, data scientists et développeurs cherchant à allier IA, IoT et efficacité énergétique.
Objectifs pédagogiques
À l'issue de cette formation TinyML, vous aurez acquis les connaissances nécessaires pour :
- Comprendre les concepts fondamentaux du TinyML et ses cas d’usage
- Identifier les contraintes matérielles et logicielles des systèmes embarqués
- Maîtriser le flux complet de conception d’un modèle TinyML (entraînement, optimisation, déploiement)
- Utiliser TensorFlow Lite et d’autres frameworks dédiés
- Déployer un modèle sur un microcontrôleur (Arduino, ESP32…)
- Évaluer la performance et la consommation énergétique des modèles TinyML
Objectifs opérationnels
Savoir développer et déployer un modèle de Machine Learning optimisé pour des environnements embarqués à ressources limitées.
Programme
Contenu du cours, module par module
5 modules
- Définition et positionnement du TinyML dans l’écosystème de l’IA
- Matériels cibles : microcontrôleurs, capteurs et plateformes IoT
- Contraintes de calcul, mémoire et énergie
- Enjeux du traitement local et confidentialité des données
Travaux pratiques
Description : Exploration des kits de développement et configuration de l’environnement TensorFlow Lite. Pourquoi privilégier l’inférence locale ?
- Présentation de TensorFlow Lite for Microcontrollers
- Alternatives : Edge Impulse, PyTorch Mobile, ONNX Runtime
- Outils d’optimisation : quantization, pruning, distillation
- Flux complet de développement
Travaux pratiques
Description : Création d’un premier modèle simple sur TensorFlow et export vers microcontrôleur. Comment réduire la taille du modèle ?
- Rappel des architectures de réseaux neuronaux légers (CNN, RNN)
- Préparation et traitement des données
- Entraînement sur des données embarquées
- Conversion vers TensorFlow Lite et validation
Travaux pratiques
Description : Entraînement d’un modèle de détection d’objets sur dataset restreint et test sur carte Arduino. Quels compromis entre précision et taille du modèle ?
- Compilation et intégration du modèle dans un firmware C/C++
- Optimisation mémoire et énergétique
- Débogage et monitoring en conditions réelles
- Tests de performance et interprétation des résultats
Travaux pratiques
Description : Implémentation d’un modèle de reconnaissance sonore sur ESP32. Comparaison entre versions optimisées et non optimisées
- Surveillance industrielle, maintenance prédictive, reconnaissance vocale locale
- TinyML pour la vision embarquée
- Sécurité et confidentialité des données
- Évolutions futures : Federated Tiny Learning, AutoML embarqué
Travaux pratiques
Description : Travail en binôme sur un projet de mini-POC TinyML (capteur intelligent, reconnaissance audio…). Quelles métriques suivre pour évaluer le succès ?
Travaux pratiques
Les participants réalisent des exercices concrets à chaque module, représentant environ 50 % du temps total. Les TPs incluent la création, l’optimisation et le déploiement de modèles sur du matériel réel (Arduino Nano 33 BLE Sense, ESP32…).
Programme mis à jour le 23/01/2026
Public concerné
Ce cours s’adresse aux ingénieurs, développeurs embarqués, data scientists et chercheurs souhaitant intégrer l’intelligence artificielle dans des dispositifs à faible consommation.
Prérequis
Avoir des bases en Python et en Machine Learning (TensorFlow ou équivalent) ainsi qu’une compréhension des architectures de microcontrôleurs. Ces connaissances permettront de tirer pleinement parti des aspects techniques du TinyML.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
Formations liées
- TensorFlow : Analyse d'images avec TensorFlowRéf. AITF3 joursIntermédiaire
- Deep Learning : les fondamentauxRéf. ADLP3 joursIntermédiaireProchaine session : 7 déc.2 090 €
- Deep Learning avec PyTorchRéf. DLPT3 joursFondamentalProchaine session : 19 oct.2 090 €
- Machine Learning avec Elastic Stack Réf. AEST2 joursIntermédiaireProchaine session : 17 déc.1 590 €