Übersicht
Worum es bei diesem Projekt geht.
Du bekommst einen markierten Datensatz von 60.000 Wildtierbildern aus Alpenwildkameras (12 Spezies-Klassen) und einen NAS-Baukasten (MobileNet-Search-Space). Definiere eine multi-objektive Suchstrategie über Accuracy + auf-Hardware-gemessene Latenz auf der Edge-TPU. Liefere drei Pareto-optimale Architekturen, trainiere die beste vollständig nach und liefere Energieverbrauchs-Messungen über einen 24-h-Testlauf am NGO-Lab.
Das Briefing
Was Du tust und was Du zeigst.
Finde per Hardware-aware NAS eine Wildtier-Klassifikator-Architektur, die auf der Coral-Edge-TPU akkurat klassifiziert und das Solar-Energie-Budget einer Alpen-Camera-Trap einhält.
Earning criteria — what you'll demonstrate
- Eine multi-objektive NAS unter Accuracy- und Latenz-Constraint aufsetzen
- Hardware-Messungen direkt in den Such-Loop zurückfließen lassen
- Energieverbrauch auf realer Edge-Hardware planmäßig profilieren
- Eine NAS-Studie für eine NGO-Roadmap aufbereiten, nicht nur für Forschung
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-Forscher:in
Hardware-aware NAS mit echter Energie-Messung ist genuine Forschungsarbeit; das Projekt ist ein starkes Portfolio-Stück für Bewerbungen an Edge-AI-Forschungsgruppen.
Dieses Projekt schärft
- neural-architecture-search
- hardware-aware-design
- evaluation
ML-Ingenieur:in
Eine Architektursuche, die in eine reproduzierbare TFLite-Edge-TPU-Build mündet, ist nah an dem, was ML-Ingenieurinnen in Edge-AI-Produktteams täglich tun.
Dieses Projekt schärft
- pytorch
- edge-inference
- energy-profiling
Forschungswissenschaftler:in
Multi-objektive Optimierung mit harten Hardware-Constraints und ehrlicher Pareto-Diskussion entspricht der Erstprojekt-Erwartung an Junior-Forschungswissenschaftlerinnen im Bereich Edge-AI.
Dieses Projekt schärft
- neural-architecture-search
- evaluation
- hardware-aware-design
Noch eine Sache