Computer-Vision-Pipeline für eine Mittelständische Recyclinganlage
Übersicht
Worum es bei diesem Projekt geht.
Euer Team von drei bis fünf Studierenden setzt das System in drei Sprints um: 1) Datenerfassungs- und Annotations-Pipeline (etwa 8.000 Bilder werden mit einer leichtgewichtigen Web-Annotation gelabelt), 2) Trainings-Pipeline für ein Objekt-Erkennungs-Modell (YOLOv8 oder ähnlich) mit Hyperparameter-Tracking, 3) Inferenz-Service plus Dashboard mit Echtzeit-Metriken. Implementiert eine Modell-Monitoring-Schicht, die bei Genauigkeits-Drift einen Alarm auslöst. Liefert das System lauffähig auf einer Edge-Maschine (Jetson-Klasse oder vergleichbarer Industrie-PC) und übergebt eine Betriebsdokumentation für die Anlagenleitung.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut ein Studierenden-Team ein produktives Computer-Vision-System für eine Recycling-Anlage, das auf Edge-Hardware läuft und vom Anlagenpersonal betrieben werden kann?
Earning criteria — what you'll demonstrate
- Eine produktive Computer-Vision-Pipeline End-to-End im Team aufbauen
- Edge-Deployment mit den damit verbundenen Performance-Einschränkungen praktisch lösen
- Modell-Monitoring inklusive Drift-Erkennung produktiv betreiben
- Eine Anwendung an Anlagen-Personal ohne Data-Science-Hintergrund übergeben
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.
Computer Vision Engineer
Computer Vision Engineers in der Industrie bauen genau diese Art von End-to-End-Systemen. Die Challenge übt den vollen Bogen von der Annotation bis zur Edge-Auslieferung in einem realistischen Schichtbetrieb-Kontext.
Dieses Projekt schärft
- computer-vision
- object-detection
- edge-deployment
Machine Learning Engineer
Machine Learning Engineers in industriellen Anwendungs-Domänen verbinden Training, Deployment und Monitoring zu einem Produktsystem — die drei Säulen dieser Capstone-Challenge.
Dieses Projekt schärft
- model-monitoring
- docker
- python
MLOps Engineer
MLOps Engineers verantworten die produktive Pflege solcher Systeme; das Monitoring- und Übergabe-Setup dieser Challenge ist ihre Standard-Werkzeugkette.
Dieses Projekt schärft
- model-monitoring
- edge-deployment
- team-coordination
Noch eine Sache