Defekterkennung auf einem ARM-Cortex-M7-Mikrocontroller deployen
Übersicht
Worum es bei diesem Projekt geht.
Du bekommst ein in PyTorch trainiertes 1D-CNN (rund 380 KB FP32) plus 5.000 markierte Vibrationsfenster aus dem Feld. Konvertiere das Modell mit Post-Training-Quantisierung auf INT8, dann mit Quantization-Aware Training falls die Genauigkeit fällt. Exportiere nach TensorFlow Lite for Microcontrollers, miss Latenz und Flash-/RAM-Verbrauch auf einer STM32-Nucleo-H743-Eval-Platine und stelle sicher, dass die F1-Score nicht um mehr als 2 Prozentpunkte unter dem FP32-Baseline-Wert liegt. Liefere Repository, Mess-Tabelle und einen 2-seitigen Deployment-Bericht.
Das Briefing
Was Du tust und was Du zeigst.
Bringe ein 1D-CNN zur Vibrations-Defekterkennung auf einen ARM-Cortex-M7 mit unter 256 KB Flash, ohne mehr als 2 Punkte F1 zu verlieren.
Earning criteria — what you'll demonstrate
- Post-Training- und Quantization-Aware-Quantisierung praktisch durchführen
- ML-Modelle auf Flash-/RAM-Budgets von Mikrocontrollern zuschneiden
- Latenz und Energie eines Modells auf realer MCU-Hardware messen
- Ergebnisse für eine Produktentscheidung im Embedded-Kontext aufbereiten
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 RollenML-Ingenieur:in
Quantisierung und MCU-Deployment sind exakt die Aufgaben, die ML-Ingenieurinnen in Industrie-4.0-Sensorik-Firmen in den ersten Projekten übernehmen, um Cloud-Kosten zu senken.
Dieses Projekt schärft
- model-quantization
- edge-inference
- embedded-deployment
MLOps-Ingenieur:in
Eine reproduzierbare Konvertierungspipeline und ein Messprotokoll für jede neue Firmware-Version sind Kerntätigkeiten von MLOps-Ingenieurinnen im Edge-Bereich.
Dieses Projekt schärft
- benchmarking
- tflite-micro
- embedded-deployment
KI-Ingenieur:in
Den Bogen vom PyTorch-Modell bis auf den Chip zu spannen ist Standard-KI-Ingenieurinnen-Arbeit in Embedded-Produktteams.
Dieses Projekt schärft
- pytorch
- edge-inference
- model-quantization
Noch eine Sache