Hindernis-Erkennung für Inspektions-Drohnen in Offshore-Windparks
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen annotierten Datensatz von 8.000 Stereo-Frames aus echten Offshore-Inspektionen (Pixel-Labels für Blatt, Mast, Strebe, Hintergrund-Meer/Himmel). Trainiere ein leichtes semantisches Segmentierungsmodell (z. B. BiSeNet oder ein kleines U-Net), das auf dem onboard NVIDIA Jetson Xavier NX mit mindestens 15 Bildern pro Sekunde läuft. Liefere das Modell, einen Onboard-Demo-Stack, eine Auswertungstabelle mit mean Intersection-over-Union (mIoU) pro Klasse und ein 3-seitiges Memo, das den Sicherheitsabstand pro Klasse begründet.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere ein onboard-fähiges Segmentierungsmodell, das Turbinenstrukturen mit hoher Klassen-mIoU erkennt und Sicherheitsabstände in Echtzeit erzwingt.
Earning criteria — what you'll demonstrate
- Semantische Segmentierung für eine konkrete Industrieanwendung trainieren
- Modelle auf Edge-Hardware quantisieren und latenzoptimiert deployen
- Klassenspezifische Sicherheitslogik aus den Modellausgaben ableiten
- Risiko-Memo für Operations-Leitung strukturieren
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 RollenComputer-Vision-Ingenieur:in
Ein Segmentierungsmodell für eine harte Outdoor-Domäne zu trainieren und auf Edge-Hardware zu bringen ist die Vorzeige-Arbeit für CV-Ingenieur:innen bei Inspektions- und Drohnen-Startups.
Dieses Projekt schärft
- semantic-segmentation
- perception
- image-processing
MLOps-Ingenieur:in
Edge-Quantisierung, Latenz-Profiling und reproduzierbare Inferenz sind tägliche MLOps-Aufgaben, die in dieser Challenge konkret geübt werden.
Dieses Projekt schärft
- edge-deployment
- evaluation
- pytorch
Maschinelles-Lernen-Ingenieur:in
Ein Modell vom Training bis zum Onboard-Deployment zu führen und gegen Latenz- und Genauigkeits-Budgets zu messen, deckt das ganze MLE-Lebenszyklus-Profil ab.
Dieses Projekt schärft
- pytorch
- edge-deployment
- evaluation
Noch eine Sache