Echtzeit-Detektion von Schutzausrüstung auf einer Großbaustelle
Übersicht
Worum es bei diesem Projekt geht.
Trainiere YOLOv auf 4 Klassen mit 6.000 Bildern, optimiere für Jetson Orin und bewerte die Datenschutz-Implikationen. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie trainiert und deployt man ein YOLO-Modell für Helm- und Warnwesten-Detektion auf Jetson Orin mit ≥ 25 FPS, ohne Personen zu identifizieren?
Earning criteria — what you'll demonstrate
- YOLO-Modelle für mehrere Klassen feintunen
- Modell-Optimierung für Edge-Deployment (TensorRT, FP16) durchführen
- Precision/Recall auf Live-Video sauber benchmarken
- Datenschutz-aware Vision-Systeme entwerfen (keine Personenidentifikation)
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Deep Learning for Computer Vision
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 RollenComputer Vision Engineer
Edge-Vision-Systeme mit Datenschutz-Constraints zu liefern ist eine wachsende Disziplin in Bauwesen, Industrie und Logistik; die Challenge produziert ein portfolio-fähiges Beispiel.
Dieses Projekt schärft
- object-detection
- yolo
- edge-deployment
AI Safety Researcher
Datenschutz-aware Design und Folgenabschätzung sind Kerndisziplinen der AI-Safety-Arbeit; die Challenge übt sie an einem realen, sensiblen Anwendungsfall.
Dieses Projekt schärft
- privacy-aware-design
- object-detection
- edge-deployment
MLOps Engineer
Modell-Deployment auf Edge-Hardware mit dokumentierten FPS-Garantien ist ein klassisches MLOps-Engineering-Thema.
Dieses Projekt schärft
- edge-deployment
- tensorrt
- pytorch
Noch eine Sache