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.
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 TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies 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 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.
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.
Inicio de clases: 22 de diciembre de 2026872 €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 Robótica, Automatización & Control 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 Robótica, Automatización & Control 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 aprendizaje automático embebido
Desarrollador de visión artificial edge
Ingeniero de optimización de modelos
En fabricación industrial, automoción y robótica.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Robótica, Automatización & Control 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.