Defekterkennung auf einem ARM-Cortex-M7-Mikrocontroller deployen
Übersicht
Worum es bei diesem Projekt geht.
Konvertiere ein 1D-CNN auf INT8, deploye es auf ARM-Cortex-M7 und halte den F1-Score stabil – erhalte ein verifizierbares Zertifikat.
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.
Edge ML and On-Device Machine Learning
Master · Ai Ml
Fit score: 1
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