Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Modelos Ligeros y Compresión para Edge

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Redes neuronales para dispositivos edge» a «Proyecto de modelo ligero para edge», pasando por «Compiladores y runtimes».

Mapa del programa · pulsa un módulo
Módulo 1 · Redes neuronales para dispositivos edge
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.

Redes neuronales para dispositivos edge

Saldrás manejando restricciones de memoria, cómputo y energía, arquitecturas MobileNet y EfficientNet y convoluciones separables en profundidad. Es lo que se trabaja en «Redes neuronales para dispositivos edge», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Cuantización de redes neuronales

Saldrás manejando cuantización tras el entrenamiento (PTQ), entrenamiento consciente de cuantización y cuantización entera INT8 y INT4. Es lo que se trabaja en «Cuantización de redes neuronales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Poda y dispersión

Saldrás manejando poda no estructurada por magnitud, poda estructurada de filtros y canales y hipótesis del billete de lotería. Es lo que se trabaja en «Poda y dispersión», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Compiladores y runtimes

Saldrás manejando formato ONNX e interoperabilidad, tensorFlow Lite y LiteRT y ONNX Runtime y proveedores de ejecución. Es lo que se trabaja en «Compiladores y runtimes», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Hardware edge industrial

Saldrás manejando microcontroladores con TinyML, NPU y aceleradores dedicados y GPU embebidas NVIDIA Jetson. Es lo que se trabaja en «Hardware edge industrial», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Validación de modelos comprimidos

Saldrás manejando métricas de exactitud tras compresión, robustez frente a cambios de dominio y pruebas de regresión del modelo. Es lo que se trabaja en «Validación de modelos comprimidos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Analizar las restricciones de cómputo, memoria y energía de los dispositivos edge.
  • 02Diseñar arquitecturas neuronales eficientes para inferencia embebida.
  • 03Aplicar cuantización, poda y destilación de conocimiento.
  • 04Utilizar compiladores y runtimes como TensorRT, OpenVINO y ONNX Runtime.
  • 05Seleccionar el hardware edge adecuado para cada aplicación industrial.
  • 06Validar la exactitud y latencia de los modelos comprimidos.
  • 07Documentar modelos conforme a los requisitos del Reglamento de IA.

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

Redes neuronales para dispositivos edge

1.1Restricciones de memoria, cómputo y energía
1.2Arquitecturas MobileNet y EfficientNet
1.3Convoluciones separables en profundidad
1.4Modelos SqueezeNet y ShuffleNet
1.5Transformers ligeros para visión
1.6Métricas FLOPs, parámetros y latencia
1.7Perfilado de modelos en hardware
1.8Comparativa de benchmarks MLPerf Tiny
1.9Visión por computador en tiempo real embebida
1.10Práctica: perfilado de una CNN en placa embebida
Módulo 2 de 8 · 10 submódulos

Cuantización de redes neuronales

2.1Cuantización tras el entrenamiento (PTQ)
2.2Entrenamiento consciente de cuantización
2.3Cuantización entera INT8 y INT4
2.4Calibración con conjuntos representativos
2.5Cuantización por canal y por tensor
2.6Inferencia con precisión mixta
2.7Pérdida de exactitud y su mitigación
2.8Cuantización en TensorFlow Lite
2.9Cuantización de modelos de detección de objetos
2.10Laboratorio: cuantización INT8 de un clasificador
Módulo 3 de 8 · 10 submódulos

Poda y dispersión

3.1Poda no estructurada por magnitud
3.2Poda estructurada de filtros y canales
3.3Hipótesis del billete de lotería
3.4Poda iterativa con reentrenamiento
3.5Dispersión estructurada 2:4
3.6Herramientas de poda en PyTorch
3.7Efecto real de la poda en latencia
3.8Combinación de poda y cuantización
3.9Poda guiada por sensibilidad de capas
3.10Taller: poda estructurada de una red de detección
Módulo 4 de 8 · 10 submódulos

Destilación y búsqueda de arquitecturas

4.1Destilación de conocimiento profesor-alumno
4.2Destilación de características intermedias
4.3Factorización de bajo rango
4.4Búsqueda de arquitecturas neuronales (NAS)
4.5NAS consciente del hardware
4.6Compartición de pesos y huffman coding
4.7Modelos de tamaño adaptativo
4.8Selección del compromiso exactitud-coste
4.9Selección de profesor y arquitectura alumno
4.10Práctica: destilación de un modelo de inspección
Módulo 5 de 8 · 10 submódulos

Compiladores y runtimes

5.1Formato ONNX e interoperabilidad
5.2TensorFlow Lite y LiteRT
5.3ONNX Runtime y proveedores de ejecución
5.4Optimización con NVIDIA TensorRT
5.5Apache TVM y compilación optimizada
5.6OpenVINO para CPU y VPU
5.7Fusión de operadores y grafos
5.8Gestión de memoria en inferencia
5.9Benchmarking de runtimes en la misma plataforma
5.10Laboratorio: conversión y optimización con TensorRT
Módulo 6 de 8 · 10 submódulos

Hardware edge industrial

6.1Microcontroladores con TinyML
6.2NPU y aceleradores dedicados
6.3GPU embebidas NVIDIA Jetson
6.4FPGA para inferencia
6.5Consumo energético y disipación
6.6Robustez industrial del hardware
6.7Selección de plataforma por aplicación
6.8Benchmarking en hardware real
6.9Arranque y fiabilidad de dispositivos en campo
6.10Caso práctico: selección de hardware para visión en línea
Módulo 7 de 8 · 10 submódulos

Validación de modelos comprimidos

7.1Métricas de exactitud tras compresión
7.2Robustez frente a cambios de dominio
7.3Pruebas de regresión del modelo
7.4Latencia en percentiles y jitter
7.5Verificación numérica entre plataformas
7.6Explicabilidad en modelos ligeros
7.7Requisitos del Reglamento de IA
7.8Documentación del modelo
7.9Monitorización del modelo desplegado en planta
7.10Caso práctico: validación de un detector de defectos en edge
Módulo 8 de 8 · 10 submódulos

Proyecto de modelo ligero para edge

8.1Definición del caso de uso industrial
8.2Entrenamiento del modelo base
8.3Selección de técnicas de compresión
8.4Aplicación de cuantización y poda
8.5Compilación para el hardware objetivo
8.6Medición de latencia y consumo
8.7Validación de exactitud
8.8Análisis de resultados
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.

Visión por computador en tiempo real embebida
Módulo 1 · Redes neuronales para dispositivos edge
Inferencia con precisión mixta
Módulo 2 · Cuantización de redes neuronales
Hipótesis del billete de lotería
Módulo 3 · Poda y dispersión
Práctica: destilación de un modelo de inspección
Módulo 4 · Destilación y búsqueda de arquitecturas
Fusión de operadores y grafos
Módulo 5 · Compiladores y runtimes

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

Reglamento (UE) 2024/1689ISO/IEC 22989ISO/IEC 23053ISO/IEC 42001ISO/IEC 25059IEC 62443-4-2

Cuerpo docente y expertos

Este programa se imparte en el área de Robótica, Automatización & Control, que dirige Prof. Kenji Takahashi. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies 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 aprendizaje automático embebido
Desarrollador de visión artificial edge
Ingeniero de optimización de modelos
Ingeniero de sistemas embebidos
Especialista en TinyML
Investigador en eficiencia de redes neuronales

Para quién es

Ingeniero de aprendizaje automático embebido
Desarrollador de visión artificial edge
Ingeniero de optimización de modelos
Ingeniero de sistemas embebidos
Especialista en TinyML
Investigador en eficiencia de redes neuronales
Titulados en ingeniería o ciencias que busquen entrar en fabricación industrial

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: De los ensayos de pista al modelo virtual: validación mixta hardware-in-the-loop · Cómo construir tu primer modelo de vehículo en un entorno de simulación multicuerpo · Gemelos digitales de flotas: de los sensores al modelo en tiempo real.

Áreas cercanas: todas las de Robótica, Automatización & Control · 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 Robótica, Automatización & Control?
¿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 PyTorch, TensorFlow Lite, NVIDIA TensorRT, OpenVINO, ONNX Runtime, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de despliegue de detectores de defectos en NVIDIA Jetson, clasificación de vibraciones en microcontroladores, benchmarking de latencia en aceleradores. 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 «Redes neuronales para dispositivos edge» y cierra con «Proyecto de modelo ligero para edge».

Se trabajan Reglamento (UE) 2024/1689, ISO/IEC 22989, ISO/IEC 23053, ISO/IEC 42001, ISO/IEC 25059 y IEC 62443-4-2.

Los perfiles más directos son Ingeniero de aprendizaje automático embebido, Desarrollador de visión artificial edge, Ingeniero de optimización de modelos, Ingeniero de sistemas embebidos y Especialista en TinyML.

En un pago son 872 €, sobre una tarifa de 1.090 €. A plazos, una entrada de 436 € y 6 cuotas de 109 €, 1.090 € 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 PyTorch, TensorFlow Lite, NVIDIA TensorRT, OpenVINO, ONNX Runtime. 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 2026872 € Matricularme
Contactar con Seium
Pago al contado872 €ahorras 218 €
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.