CNN-basierter Qualitäts-Klassifikator für eine Lebensmittel-Bäckerei-Kette
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 24.000 annotierte Brötchen-Bilder (3 Klassen). Trainiere einen MobileNet- oder EfficientNet-Klassifikator mit Transfer Learning, evaluiere mit Macro-F1 und pro-Klasse-F1 und führe Confidence-Kalibrierung durch (Temperature Scaling). Berichte den Anteil der Bilder, die mit Confidence ≥ 90 % auto-sortiert werden können, und das resultierende Risiko (False-Accept-Rate für Ausschuss). Liefere eine Pilot-Empfehlung für eine erste Linie in der Zentralproduktion.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut man einen CNN mit Confidence-Kalibrierung, der mindestens 70 % der Brötchen-Bilder automatisch sortiert ohne das Ausschuss-Risiko zu erhöhen?
Earning criteria — what you'll demonstrate
- Transfer Learning mit modernen kompakten CNNs (MobileNet, EfficientNet) anwenden
- Pro-Klasse-F1 als Hauptmetrik einsetzen — Macro-Mittel allein versteckt seltene Klassen
- Temperature Scaling für Confidence-Kalibrierung implementieren
- Risiko-Empfehlung mit False-Accept-Quantifizierung formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMachine Learning Engineer
Edge-Klassifikation mit Confidence-Routing ist tägliches ML-Engineering-Geschäft in Produktions- und Lebensmittel-Industrie.
Dieses Projekt schärft
- cnn-architectures
- transfer-learning
- edge-deployment
Computer Vision Engineer
Bild-Klassifikation auf produktiven Bändern mit kompakten Architekturen ist eine CV-Engineer-Kernkompetenz; die Challenge produziert das passende Portfolio-Stück.
Dieses Projekt schärft
- image-classification
- cnn-architectures
- transfer-learning
MLOps Engineer
ONNX-Export und dokumentierte Inferenz-Latenz sind die Brücke zwischen Forschung und produktiver Linie — ein typischer MLOps-Übergabe-Punkt.
Dieses Projekt schärft
- edge-deployment
- pytorch
- confidence-calibration
Noch eine Sache