Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Diseño de Pipelines On-Device con TFLite/ONNX

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Inferencia en dispositivo» a «Proyecto de pipeline on-device», pasando por «Orquestación del pipeline».

Mapa del programa · pulsa un módulo
Módulo 1 · Inferencia en 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 dispositivo

Saldrás manejando ventajas: latencia, privacidad y coste, dispositivos objetivo: móviles, Jetson y Raspberry Pi y etapas de un pipeline on-device. Es lo que se trabaja en «Inferencia en dispositivo», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Conversión y exportación de modelos

Saldrás manejando conversión de Keras a TFLite, exportación de PyTorch a ONNX y opsets y compatibilidad de operadores. Es lo que se trabaja en «Conversión y exportación de modelos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aceleración y delegados

Saldrás manejando delegados de TFLite: GPU, NNAPI y XNNPACK, execution providers de ONNX Runtime y tensorRT en NVIDIA Jetson. Es lo que se trabaja en «Aceleración y delegados», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Orquestación del pipeline

Saldrás manejando pipelines con MediaPipe, GStreamer y NVIDIA DeepStream y encadenamiento de varios modelos. Es lo que se trabaja en «Orquestación del pipeline», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Pruebas y calidad

Saldrás manejando pruebas unitarias de pre y postprocesado, pruebas de paridad con el modelo de referencia y conjuntos de prueba en dispositivo. Es lo que se trabaja en «Pruebas y calidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Despliegue y mantenimiento

Saldrás manejando empaquetado del modelo en la aplicación, descarga dinámica de modelos y versionado y compatibilidad de modelos. Es lo que se trabaja en «Despliegue y mantenimiento», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Identificar los requisitos y restricciones de la inferencia en dispositivo.
  • 02Convertir y validar modelos en formatos TFLite y ONNX.
  • 03Acelerar la inferencia con delegados y runtimes específicos.
  • 04Implementar pre y postprocesado eficientes y coherentes.
  • 05Orquestar pipelines multimodelo en tiempo real.
  • 06Probar la calidad y el rendimiento en dispositivos reales.
  • 07Desplegar y mantener modelos en flotas de dispositivos.

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 dispositivo

1.1Ventajas: latencia, privacidad y coste
1.2Dispositivos objetivo: móviles, Jetson y Raspberry Pi
1.3Etapas de un pipeline on-device
1.4Restricciones de memoria, energía y temperatura
1.5Formatos de modelo: TFLite, ONNX y TorchScript
1.6Comparativa de runtimes
1.7Casos de uso industriales y de campo
1.8Requisitos no funcionales
1.9Arquitectura de referencia
1.10Taller: análisis de requisitos de una app de inspección
Módulo 2 de 8 · 10 submódulos

Conversión y exportación de modelos

2.1Conversión de Keras a TFLite
2.2Exportación de PyTorch a ONNX
2.3Opsets y compatibilidad de operadores
2.4Formas dinámicas y estáticas
2.5Optimización de grafos con onnx-simplifier
2.6Conversión entre ONNX y TFLite
2.7Validación numérica tras la conversión
2.8Metadatos del modelo
2.9Resolución de errores frecuentes
2.10Práctica: exportar un detector YOLO a ONNX
Módulo 3 de 8 · 10 submódulos

Aceleración y delegados

3.1Delegados de TFLite: GPU, NNAPI y XNNPACK
3.2Execution providers de ONNX Runtime
3.3TensorRT en NVIDIA Jetson
3.4OpenVINO en CPU e iGPU Intel
3.5Core ML en dispositivos Apple
3.6Cuantificación para aceleradores
3.7Hilos y afinidad de CPU
3.8Benchmarking con herramientas oficiales
3.9Selección del backend óptimo
3.10Laboratorio: comparativa de delegados en Android
Módulo 4 de 8 · 10 submódulos

Preprocesado y postprocesado

4.1Captura de imagen, audio y señales
4.2Redimensionado, normalización y formatos de color
4.3Preprocesado en GPU y en el propio grafo
4.4Ventaneo de señales en streaming
4.5Supresión de no máximos
4.6Decodificación de cajas y máscaras
4.7Seguimiento de objetos entre fotogramas
4.8Suavizado temporal de predicciones
4.9Coherencia entre entrenamiento e inferencia
4.10Práctica: pipeline de visión con postprocesado NMS
Módulo 5 de 8 · 10 submódulos

Orquestación del pipeline

5.1Pipelines con MediaPipe
5.2GStreamer y NVIDIA DeepStream
5.3Encadenamiento de varios modelos
5.4Colas, buffers y concurrencia
5.5Gestión del ciclo de vida de la app
5.6Ahorro energético y planificación
5.7Gestión de errores y modo degradado
5.8Registro local y sincronización
5.9Interfaces de usuario en campo
5.10Laboratorio: pipeline multimodelo con DeepStream
Módulo 6 de 8 · 10 submódulos

Pruebas y calidad

6.1Pruebas unitarias de pre y postprocesado
6.2Pruebas de paridad con el modelo de referencia
6.3Conjuntos de prueba en dispositivo
6.4Pruebas de rendimiento y térmicas
6.5Pruebas en distintos modelos de dispositivo
6.6Pruebas de robustez: luz, ruido y oclusión
6.7Integración continua con granjas de dispositivos
6.8Métricas de calidad en campo
6.9Informe de validación del pipeline
6.10Caso práctico: validación de una app de inspección visual
Módulo 7 de 8 · 10 submódulos

Despliegue y mantenimiento

7.1Empaquetado del modelo en la aplicación
7.2Descarga dinámica de modelos
7.3Versionado y compatibilidad de modelos
7.4Pruebas A/B en dispositivo
7.5Telemetría respetuosa con la privacidad
7.6Aprendizaje federado: conceptos
7.7Protección del modelo frente a extracción
7.8Actualizaciones seguras del modelo
7.9Coste total de operación
7.10Taller: estrategia de actualización de modelos en flota
Módulo 8 de 8 · 10 submódulos

Proyecto de pipeline on-device

8.1Caso de uso y dispositivo
8.2Modelo de partida
8.3Conversión y optimización
8.4Pre y postprocesado
8.5Orquestación del pipeline
8.6Pruebas y validación
8.7Estrategia de despliegue
8.8Evaluación final de rendimiento en dispositivo
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.

Formatos de modelo: TFLite, ONNX y TorchScript
Módulo 1 · Inferencia en dispositivo
Exportación de PyTorch a ONNX
Módulo 2 · Conversión y exportación de modelos
Selección del backend óptimo
Módulo 3 · Aceleración y delegados
Decodificación de cajas y máscaras
Módulo 4 · Preprocesado y postprocesado
Encadenamiento de varios modelos
Módulo 5 · Orquestación del pipeline

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ONNX (Open Neural Network Exchange) 1.xKhronos NNEF 1.0ISO/IEC 23053:2022 (Marco para sistemas de IA con ML)Reglamento (UE) 2016/679 (RGPD)Reglamento (UE) 2024/2847 (Ciberresiliencia)ISO/IEC 25010:2023 (Modelo de calidad de producto software)

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
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.

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 machine learning on-device
Desarrollador de aplicaciones de visión
Ingeniero de sistemas edge
Desarrollador móvil con IA
Ingeniero de visión artificial
Arquitecto de soluciones IoT

Para quién es

Ingeniero de machine learning on-device
Desarrollador de aplicaciones de visión
Ingeniero de sistemas edge
Desarrollador móvil con IA
Ingeniero de visión artificial
Arquitecto de soluciones IoT
Titulados en ingeniería o ciencias que busquen entrar en fabricación

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Adas para sistemas seguros: diseño, métricas y validación integral · Chasis ligeros de alto rendimiento: método, diseño y validación integral · Diseño de células robotizadas seguras: normas, layouts y casos de fallo.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · 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 Data, IA, Simulación & Analytics?
¿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 TensorFlow Lite (LiteRT), ONNX Runtime, NVIDIA TensorRT y DeepStream, Google MediaPipe, Intel OpenVINO, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de benchmarking de runtimes y delegados en distintos dispositivos, pruebas de paridad numérica tras la conversión, validación en campo de aplicaciones de inspección. 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 dispositivo» y cierra con «Proyecto de pipeline on-device».

Se trabajan ONNX (Open Neural Network Exchange) 1.x, Khronos NNEF 1.0, ISO/IEC 23053:2022 (Marco para sistemas de IA con ML), Reglamento (UE) 2016/679 (RGPD), Reglamento (UE) 2024/2847 (Ciberresiliencia) y ISO/IEC 25010:2023 (Modelo de calidad de producto software).

Los perfiles más directos son Ingeniero de machine learning on-device, Desarrollador de aplicaciones de visión, Ingeniero de sistemas edge, Desarrollador móvil con IA y Ingeniero de visión artificial.

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 TensorFlow Lite (LiteRT), ONNX Runtime, NVIDIA TensorRT y DeepStream, Google MediaPipe, Intel OpenVINO. 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.