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’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
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.
¿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.
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.
Inicio de clases: 22 de diciembre de 20261.432 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el diplomado acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Electrónica, Embebidos & Telecom y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Electrónica, Embebidos & Telecom y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 800 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Ingeniero de IA embebida
Ingeniero de despliegue de modelos
Desarrollador de aplicaciones de visión
En electrónica de consumo, automoción y visión industrial.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Electrónica, Embebidos & Telecom con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.