Modell-Pruning für ein Fahrer-Müdigkeitssystem im Automotive-ECU
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst ein in PyTorch trainiertes Müdigkeits-CNN (ResNet-18-Basis) plus einen markierten Datensatz von 20.000 Gesichts-Crops aus Fahrer-Innenraumkameras. Implementiere structured Pruning (Channel-Pruning) plus Fine-Tuning, exportiere die geprunte Variante nach ONNX und benchmarke Latenz auf einem Qualcomm-SoC-Eval-Board mit OpenVINO oder TensorRT (je nach Toolchain). Stelle sicher, dass Accuracy höchstens 1 Prozentpunkt fällt und Latenz reproduzierbar unter 35 ms bleibt.
Das Briefing
Was Du tust und was Du zeigst.
Bringe ein Müdigkeits-Erkennungs-CNN per structured Pruning unter ein 35-ms-Latenz-Budget auf Automotive-ECU-Hardware ohne nennenswerten Genauigkeitsverlust.
Earning criteria — what you'll demonstrate
- Structured Pruning praxisnah implementieren und mit Fine-Tuning kombinieren
- Hardware-aware Design-Entscheidungen anhand realer Mess-Latenz treffen
- Modelle nach ONNX exportieren und gegen Edge-Runtimes benchmarken
- Trade-offs Genauigkeit vs. Latenz für eine Programm-Entscheidung kondensieren
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-Ingenieur:in
Pruning und Latenz-Optimierung auf Automotive-ECUs sind das Brot-und-Butter-Geschäft von ML-Ingenieurinnen bei Tier-1-Zulieferern in der DACH-Region.
Dieses Projekt schärft
- model-pruning
- hardware-aware-design
- pytorch
Computer-Vision-Ingenieur:in
Innenraumkamera-Pipelines mit harten Latenz-Budgets sind ein typisches Computer-Vision-Engineering-Projekt im Automotive-Bereich.
Dieses Projekt schärft
- pytorch
- onnx
- edge-inference
MLOps-Ingenieur:in
Reproduzierbare Pruning- und Benchmark-Pipelines, die in einer Programm-Statusmeldung münden, sind genau die Aufgabe automotive-naher MLOps-Teams.
Dieses Projekt schärft
- benchmarking
- edge-inference
- onnx
Noch eine Sache