Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Runtimes On-Device (TFLite/ONNX/TensorRT)

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Inferencia en el dispositivo» a «Proyecto de inferencia on-device», pasando por «Compiladores y runtimes alternativos».

Mapa del programa · pulsa un módulo
Módulo 1 · Inferencia en el dispositivo
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Inferencia en el dispositivo

Saldrás manejando ventajas de la inferencia local: latencia y privacidad, ciclo de exportación desde el entrenamiento y grafos computacionales y operadores. Es lo que se trabaja en «Inferencia en el dispositivo», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

LiteRT y TensorFlow Lite

Saldrás manejando conversión con TFLiteConverter, flatbuffers y estructura del modelo y delegados GPU, NNAPI y XNNPACK. Es lo que se trabaja en «LiteRT y TensorFlow Lite», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

ONNX y ONNX Runtime

Saldrás manejando opsets y versionado del formato, exportación con torch.onnx y dynamo y optimización de grafos y fusiones. Es lo que se trabaja en «ONNX y ONNX Runtime», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Compiladores y runtimes alternativos

Saldrás manejando apache TVM y autotuning, execuTorch para PyTorch en dispositivos y core ML en el ecosistema Apple. Es lo que se trabaja en «Compiladores y runtimes alternativos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Optimización del rendimiento de inferencia

Saldrás manejando perfilado por operador y cuellos de botella, fusión de operadores y layouts de memoria y multihilo, afinidad y planificación. Es lo que se trabaja en «Optimización del rendimiento de inferencia», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Integración en producto

Saldrás manejando integración en aplicaciones C++ y Android, actualización de modelos en campo y validación de exactitud en el dispositivo. Es lo que se trabaja en «Integración en producto», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Seleccionar formatos y runtimes adecuados para inferencia en el dispositivo.
  • 02Convertir y desplegar modelos con LiteRT y TensorFlow Lite.
  • 03Optimizar modelos ONNX con distintos execution providers.
  • 04Construir engines TensorRT optimizados en plataformas Jetson.
  • 05Compilar modelos con TVM, ExecuTorch y otros runtimes.
  • 06Optimizar la latencia, la memoria y el consumo de la inferencia.
  • 07Integrar modelos en productos con validación y monitorización.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Inferencia en el dispositivo

1.1Ventajas de la inferencia local: latencia y privacidad
1.2Ciclo de exportación desde el entrenamiento
1.3Grafos computacionales y operadores
1.4Formatos: TFLite, ONNX, TorchScript y GGUF
1.5Hardware: CPU, GPU, NPU y DSP
1.6Delegados y proveedores de ejecución
1.7Restricciones de memoria y energía
1.8Comparativa de runtimes y criterios de elección
1.9Métricas: latencia, throughput y consumo
1.10Laboratorio: exportación de un modelo PyTorch a ONNX
Módulo 2 de 8 · 10 submódulos

LiteRT y TensorFlow Lite

2.1Conversión con TFLiteConverter
2.2Flatbuffers y estructura del modelo
2.3Delegados GPU, NNAPI y XNNPACK
2.4Cuantización integrada en la conversión
2.5Operadores personalizados y kernels propios
2.6TensorFlow Lite Micro para microcontroladores
2.7Integración en Android y Linux embebido
2.8Benchmark tool y perfilado
2.9Gestión de memoria y arena de tensores
2.10Práctica: clasificador en Raspberry Pi con XNNPACK
Módulo 3 de 8 · 10 submódulos

ONNX y ONNX Runtime

3.1Opsets y versionado del formato
3.2Exportación con torch.onnx y dynamo
3.3Optimización de grafos y fusiones
3.4Execution providers: CUDA, TensorRT y OpenVINO
3.5Cuantización estática y dinámica en ONNX
3.6ONNX Runtime Mobile y builds reducidos
3.7API en C++, Python y C#
3.8Depuración con Netron y onnx-checker
3.9Formas dinámicas y simbolización
3.10Laboratorio: despliegue multiplataforma con ONNX Runtime
Módulo 4 de 8 · 10 submódulos

NVIDIA TensorRT y plataformas Jetson

4.1Construcción del engine y plan files
4.2Precisión FP16, INT8 y FP8
4.3Calibración INT8 con calibradores
4.4Plugins y capas personalizadas
4.5Perfiles de optimización con formas dinámicas
4.6DLA y GPU en Jetson Orin
4.7DeepStream para pipelines de vídeo
4.8trtexec y Nsight Systems
4.9Triton Inference Server en el borde
4.10Taller: detector de objetos con TensorRT en Jetson
Módulo 5 de 8 · 10 submódulos

Compiladores y runtimes alternativos

5.1Apache TVM y autotuning
5.2ExecuTorch para PyTorch en dispositivos
5.3Core ML en el ecosistema Apple
5.4OpenVINO en plataformas Intel
5.5Runtimes de NPU de fabricantes
5.6MLIR e IREE
5.7llama.cpp y modelos de lenguaje locales
5.8WebGPU y ONNX Runtime Web
5.9Comparativa de portabilidad
5.10Práctica: compilación con TVM para ARM
Módulo 6 de 8 · 10 submódulos

Optimización del rendimiento de inferencia

6.1Perfilado por operador y cuellos de botella
6.2Fusión de operadores y layouts de memoria
6.3Multihilo, afinidad y planificación
6.4Preprocesado acelerado en GPU
6.5Batching y pipelining
6.6Gestión térmica y throttling
6.7Consumo energético por inferencia
6.8Tiempo de arranque y carga de modelos
6.9Optimización de memoria pico
6.10Laboratorio: latencia de extremo a extremo optimizada
Módulo 7 de 8 · 10 submódulos

Integración en producto

7.1Integración en aplicaciones C++ y Android
7.2Actualización de modelos en campo
7.3Validación de exactitud en el dispositivo
7.4Pruebas de regresión numérica
7.5Gestión de versiones de runtime
7.6Seguridad y protección del modelo
7.7Cumplimiento del Reglamento europeo de IA
7.8Seguridad funcional e ISO/PAS 8800
7.9Telemetría y monitorización
7.10Caso práctico: asistente de visión para cámara industrial
Módulo 8 de 8 · 10 submódulos

Proyecto de inferencia on-device

8.1Selección del modelo y la plataforma
8.2Exportación y conversión del modelo
8.3Despliegue en dos runtimes
8.4Optimización y cuantización
8.5Benchmark comparativo entre runtimes
8.6Integración en una aplicación
8.7Validación y pruebas
8.8Informe de recomendaciones
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Delegados y proveedores de ejecución
Módulo 1 · Inferencia en el dispositivo
Delegados GPU, NNAPI y XNNPACK
Módulo 2 · LiteRT y TensorFlow Lite
Laboratorio: despliegue multiplataforma con ONNX Runtime
Módulo 3 · ONNX y ONNX Runtime
DeepStream para pipelines de vídeo
Módulo 4 · NVIDIA TensorRT y plataformas Jetson
OpenVINO en plataformas Intel
Módulo 5 · Compiladores y runtimes alternativos

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ONNX Specification (LF AI & Data)Khronos NNEF 1.0ISO/IEC 23053:2022IEEE 754-2019ISO/PAS 8800:2024Reglamento (UE) 2024/1689 (Ley de IA)ISO/IEC 42001:2023

Cuerpo docente y expertos

Este programa se imparte en el área de Electrónica, Embebidos & Telecom, que dirige Dr. Kevin O’Connor. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de IA embebida
Ingeniero de despliegue de modelos
Desarrollador de aplicaciones de visión
Ingeniero de rendimiento de inferencia
Ingeniero de software móvil con IA
Arquitecto de plataformas edge

Para quién es

Ingeniero de IA embebida
Ingeniero de despliegue de modelos
Desarrollador de aplicaciones de visión
Ingeniero de rendimiento de inferencia
Ingeniero de software móvil con IA
Arquitecto de plataformas edge
Titulados en ingeniería o ciencias que busquen entrar en electrónica de consumo

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Electrónica, Embebidos & Telecom · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Electrónica, Embebidos & Telecom?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es LiteRT (TensorFlow Lite), ONNX Runtime, NVIDIA TensorRT, Apache TVM, ExecuTorch, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de benchmarks de latencia en Jetson y Raspberry Pi, conversión de modelos entre formatos, perfilado de inferencia por operador. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Inferencia en el dispositivo» y cierra con «Proyecto de inferencia on-device».

Se trabajan ONNX Specification (LF AI & Data), Khronos NNEF 1.0, ISO/IEC 23053:2022, IEEE 754-2019, ISO/PAS 8800:2024 y Reglamento (UE) 2024/1689 (Ley de IA).

Los perfiles más directos son Ingeniero de IA embebida, Ingeniero de despliegue de modelos, Desarrollador de aplicaciones de visión, Ingeniero de rendimiento de inferencia y Ingeniero de software móvil con IA.

En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con LiteRT (TensorFlow Lite), ONNX Runtime, NVIDIA TensorRT, Apache TVM, ExecuTorch. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.432 € Matricularme
Contactar con Seium
Pago al contado1.432 €ahorras 358 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.