Jetson AI Courses and Certification (JA-JP)
JETSON AI コース & 認定プログラム

NVIDIA Deep Learning Institute (DLI) では、開発者、教育者、學生、生涯學習者を対象に、最先端の AI に関する実踐的なハンズオン トレーニングと認定資格を提供しています。キャリアアップやキャリア形成に必要な AI スキルを身に付けたい方に最適です。オープンソースを用いた無料のトレーニング コースを修了すると、Jetson と AI に関する知識を証明する認定証を取得できます。
Jetson AI Certification
認定資格には、だれでもチャレンジできる「Jetson AI Specialist」と、教育者やインストラクター向けの「Jetson AI Ambassador」の 2 つがあります。

Jetson AI Specialist
AI の學習を始めるのにお勧めです。この認定資格はすべての人を対象としており、実踐で作成したプロジェクトベースの評価により Jetson と AI に関する能力を認定します。上級者にとっては、既にお持ちの AI 知識をさらに深めるのに最適なコースです。また、初心者の方でも、詳細なビデオ チュートリアルに沿って、スピーディに學習を進められます。
特典
- NVIDIA DLI が発行する証明書と、オープンソース プロジェクトを通じた AI スキルの証明
推奨される前提條件
- PythonとLinuxの基本的な知識

Jetson AI Ambassador
この認定資格は教育者を対象としており、実踐したプロジェクトベースの評価と NVIDIA チームとの面接により、Jetson を使用した AI 教育の指導力を認定します。これは、教育者やインストラクターが學生に AI を教えるための準備に最適です。
認定資格に加えて、獨自の AI カリキュラム作成に利用できるカリキュラムとオープ ンソースプラットフォーム を無料で提供しています。
特典
- 教育機関の學生や職員を対象にした無料イベントを開催する場合、イベント (要承認) 1 回につき 500 ドルまでの経費を補助 (ケータリング、旅費など、対象となるワークショップの開催費用)
- Jetson Nano 2GB 開発者キット助成プログラムにより、開発者キットを最大
- DLI認定インストラクタープログラムへの正式な參加
- その他のメリットはここに記載されています。
推奨される前提條件
- PythonとLinuxの基本的な知識
- 學術機関や公式のトレーニング プログラムでの指導やトレーニングの経験
要件 | Jetson AI Specialist 認定 | Jetson AI Ambassador 認定 |
---|---|---|
Jetson AI Fundamentals コース | ? | ? |
プロジェクトベースの評価 | ? | ? |
DLI 認定インストラクター プログラムの申請と NVIDIA チームとの面接 | ? | |
學術機関や公式のトレーニング プログラムでの指導やトレーニングの経験 | ? |

利用者の聲
Jetson AI Fundamentals コースの概要
Jetson AI Fundamentals チュートリアル プレイリスト

4 時間のオンライン コンテンツ

実踐形式のミニ プロジェクト

オープンソース コンテンツ

notebook でのインタラクティブな學習
ハードウェア要件
- NVIDIA Jetson Nano? 開発者キットまたはJetson Nano 2GB開発者キット*
- MicroSDカード (推奨: 64 GB UHS-1、最小: 32 GB UHS-1)
- Micro-B USBケーブル
- 電源
- カメラ (Logitech C270 USB Webcam または Raspberry Pi カメラ モジュール v2)
- SD カード スロットを備えた PC またはノート PC (Windows、Mac、Linux)
- 推奨: NVIDIA JetBot
コースの詳細
コマンド ライン インターフェイスと Linux コマンド
ターミナルやコマンド ラインから Linux システムを操作する方法を説明します。また、ファイルの移動、コピー、削除、編集の方法も確認します。(提供: Paul McWhorter 氏)
Python 入門
Python でのコーディングについて説明します。出力、ユーザー入力、for ループ、if 文、條件文、while ループ、配列を學びます。(提供: Paul McWhorter 氏)
本コースでは、自身の Jetson Nano 上で Jupyter ノートブックを使用して、コンピューター ビジョン モデルによるディープラーニングの分類プロジェクトや回帰プロジェクトを構築します。 す。
コースに登録し、ビデオに沿って學習を進めてください。
エピソード 1
Jetson Nano に JetPack を初めてセットアップする方法を説明します。
エピソード 2
Jetson Nano にリモートでログインし、Docker コンテナーを実行して JupyterLab と本コースの notbook にアクセスします。Hello Camera Jupyter notebook でカメラをテストします。
エピソード 3
Jetson Nano 上のディープ ニューラル ネットワークをトレーニングする PyTorch プロジェクトについて解説します。また、カメラで収集したデータを使って畫像分類を行います。
エピソード 4
カメラで撮影した畫像から特定の物體の X-Y 座標を推論する、畫像回帰ディープ ニューラル ネットワーク モデルのトレーニング方法を説明します。
JetBot は、メーカー、學生、愛好家向けのオープンソース AI ロボット プラットフォームです。クリエイティブで遊び心のある、スマートな AI アプリケーションの構築に必要なすべてが揃っています。Jetson Nano 開発者キットを搭載しており、複數のセンサーとニューラル ネットワークが並列でサポートされるため、物體認識や衝突回避などの機能を実裝できます。JetBot の Wiki はこちらにあるJetbotです。以下の動畫では、JetBot の機能を詳しく理解、學習できます。JetBot はNVIDIA パートナーから購入できます。注: Jetson AI Fundamentals コースでの JetBot の學習は任意です。
エピソード 1 - JetBot の概要とハードウェア
Jetson Nano JetBot は、ロボット工學とディープラーニングの基礎を學ぶのに最適です。ハードウェアの組み立て方にはいくつかのオプションがありますが、ここでは、自分で組み立てる際のヒントを紹介します。
エピソード 2 - JetBot ソフトウェアのセットアップ
JetBot の部品を組み立てたら、ソフトウェアをセットアップします。コンテナー ベースのアプローチによるセットアップ手順を説明します。コンテナーを使用することで、他のソフトウェア パッケージとの依存関係を気にすることなく、必要なディープラーニング ライブラリをすべて読み込むことができます。モーターのテストも行います。
エピソード 3 - JetBot の衝突回避
ソフトウェアをインストールし、モーターの動作を確認したら、次はディープラーニングによる走行時の衝突回避を行います。畫像を収集し、衝突を避けるよう転移學習でモデルをトレーニングし、JetBot に実裝してテストします。
エピソード 4 - JetBot の道なり走行
JetBot が道に沿って走行するようにトレーニングします。トレーニング用のデータを収集し、回帰手法でモデルをトレーニングし、最適な軌道を予測できるようにします。そのモデルを JetBot に展開すると、JetBot は道なりに走行します。
Hello AI World は、Jetson の使い方を學んだり、AI のパワーを體験したりするのに最適です。たった數時間あれば、JetPack SDK? と NVIDIA TensorRT? を搭載した Jetson 開発者キットで一連のディープラーニング推論デモをセットアップし、リアルタイム畫像分類、物體検出、セグメンテーションを実行できます。また、データセットを獨自に収集し、作成したディープ ニューラル ネットワーク モデルを PyTorch でトレーニングして、Jetson に搭載できます。
エピソード 1 - Hello AI World のセットアップ
Jetson Nano に Hello AI World コンテナーをダウンロードして実行し、カメラ フィードをテストして、RTP でネットワークにストリーミングする方法を確認します。
エピソード 2 - 畫像分類の推論
Jetson Nano とディープラーニングを使用した畫像分類の Python プログラムを獨自に作成し、ライブ カメラ ストリームに対してリアルタイムの分類を行ってみます。
エピソード3 - 畫像分類モデルのトレーニング
Jetson Nano に搭載されている PyTorch を使用して畫像分類モデルをトレーニングする方法を學習します。分類用のデータセットを獨自に収集して、カスタム モデルを作成します。
エピソード 4 – 物體検出の推論
Jetson Nano とディープラーニングを使用した物體検出の Python プログラムを獨自に作成し、ライブ カメラ ストリームに対してリアルタイムの検出を行ってみます。
エピソード5 – 物體検出モデルのトレーニング
Jetson Nano に搭載されている PyTorch を使用して物體検出モデルをトレーニングする方法を學習します。検出用のデータセットを獨自に収集して、カスタム モデルを作成します。
エピソード 6 – セマンティックセグメンテーション
Jetson Nano で、完全畳み込みセマンティック セグメンテーション ネットワークの実験を行い、ライブ カメラ ストリームに対してリアルタイムのセグメンテーションを実行します。
実踐で作成したプロジェクトベースの評価
教材の理解度に基づき、オープンソース プロジェクトを構築し、デモを実行した動畫と共に提出していただきます。プロジェクトには、NVIDIA Jetson を使用して、GPU アクセラレーションによる AI (機械學習やディープラーニング) の要素を取り入れる必要があります。たとえば、「獨自のデータセットを収集して特定のアプリケーション用の新しい DNN モデルをトレーニングする」、「JetBot に新しい自律動作を追加する」、「AI を活用したスマート ホーム/IoT デバイスを作成する」などです。內容はこのコースで取り上げられているトピックでなくてもかまいません。參考までに、Jetson コミュニティ プロジェクト をご覧ください。可能性は無限大です。
認定の合否判定にあたり、提出されたプロジェクトは以下の基準で審査されます。
- AI (5 ポイント) – ディープラーニング、機械學習、コンピューター ビジョンを有効に活用しており、AI を使ったアプリケーション開発の基本を理解できていること。ポイント: 有効性、技術的な複雑さ、Jetson 上での AI ソリューションのパフォーマンス。
- インパクトとオリジナリティ (5 ポイント) – プロジェクトのコンセプトに新規性があり、自身や社會が直面している課題や問題の解決策や対処方法に AI を応用していること。アイデアや制作物に獨自性があるか、重要な意味で派生的であるか。
- 再現性 (5 ポイント) – 他者がプロジェクトをビルドして使用するのに必要なプラン、コード、リソースがすべてリポジトリに含まれており、簡単に手順どおりに行えること。
- プレゼンテーションとドキュメント (5 ポイント) – プロジェクトのさまざまな側面の説明と効果的なデモンストレーションがビデオに収められていること。また、明瞭で完全な Readme がリポジトリに含まれており、プロジェクトの構築と実行に必要な手順が図や畫像と共に示されていること。教育者の場合は、ビデオに口頭でのプレゼンテーションを含め、指導力を示すようにしてください。
約 10 ~ 14 日以內にプロジェクトのスコアを送付します。合格の場合は、該當する Jetson AI 認定証も発行されます。
學校教育のカリキュラムとして、1 つのプロジェクトを複數名で作成して Jetson AI Specialist を申請、提出するケースがあります。この場合、各作成者ごとに Jetson AI Sepcialist の申請をおこない、フォーム內にあるプロジェクトの申請にはチームで作成したプロジェクトを記載してください。