Generatives Augmentations-Modell fuer einen Lebensmittelinspektor
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 8 000 Inspektor-Bilder (3 000 fehlerfrei, 4 500 haeufige Defekte, 500 Mikrorisse) plus eine vortrainierte Stable-Diffusion-Pipeline. Verwende ControlNet oder DreamBooth, um aus den 500 Mikroriss-Bildern weitere 2 000 plausible synthetische Beispiele zu generieren. Trainiere zwei Inspektor-Modelle: eines auf Original-Daten, eines auf Original + synthetisch. Bewerte beide auf einem festen Real-World-Testsatz. Liefere ein 3-seitiges Memo: hilft generative Augmentation messbar, oder ist sie ein teures Gimmick?
Das Briefing
Was Du tust und was Du zeigst.
Pruefe, ob synthetische Defekt-Beispiele aus einem Diffusionsmodell die Rare-Class-Recall des Inspektors messbar verbessern.
Earning criteria — what you'll demonstrate
- Diffusionsmodelle (Stable Diffusion + ControlNet/DreamBooth) als Augmentationswerkzeug einsetzen
- Den Mehrwert synthetischer Daten methodisch sauber pruefen (gleicher Testsatz, gleiche Hyperparameter)
- Generative Modelle gegen klassische Augmentation (Drehen, Spiegeln) abwaegen
- Bewerten, wann ein teures Verfahren wirklich Mehrwert bringt — und wann nicht
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 Researcher
Generative Augmentation methodisch sauber zu evaluieren ist eine der zentralen aktuellen Fragen fuer ML-Forschung in industriellen Anwendungen.
Dieses Projekt schärft
- generative-models
- diffusion-models
- model-evaluation
Computer Vision Engineer
Defekterkennung an industriellen Bandstrassen mit modernen Vision-Methoden zu verbessern ist Tagesgeschaeft fuer CV-Engineers in FMCG- und Automotive-Bereichen.
Dieses Projekt schärft
- computer-vision
- data-augmentation
- pytorch
Applied AI Scientist
Die ehrliche 'lohnt sich nicht'-Aussage zu treffen, wenn die Daten das hergeben, ist eine angewandte KI-Schluesseldisziplin.
Dieses Projekt schärft
- generative-models
- model-evaluation
- data-augmentation
Noch eine Sache